Penggabungan Ciri Tekstur dan Geometri Citra untuk Identifikasi Tumbuhan Obat Berbasis Mobile

PENGGABUNGAN CIRI TEKSTUR DAN GEOMETRI CITRA
UNTUK IDENTIFIKASI TUMBUHAN OBAT BERBASIS
MOBILE

ASEP RAHMAT GINANJAR

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penggabungan Ciri
Tekstur dan Geometri Citra untuk Identifikasi Tumbuhan Obat Berbasis Mobile
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun 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 skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2015
Asep Rahmat Ginanjar
NIM G64124008

ABSTRAK
ASEP RAHMAT GINANJAR. Penggabungan Ciri Tekstur dan Geometri Citra
untuk Identifikasi Tumbuhan Obat Berbasis Mobile. Dibimbing oleh YENI
HERDIYENI.
Penelitian ini mengusulkan penggabungan ciri tekstur dan geometri citra
untuk identifikasi tumbuhan obat berbasis mobile. Fuzzy Local Binary Pattern
digunakan untuk mengekstraksi ciri tekstur dan ciri geometri yang diekstrak yaitu
area, circularity, eccentricity, and centroid-radii. Metode penggabungan yang
digunakan yaitu Product Decision Rule. Penelitian ini menggunakan metode
Probabilistic Neural Network untuk mengklasifikasikan berdasarkan vektor ciri
tekstur dan geometri. K Fold Cross Validation digunakan dalam penelitian ini
untuk membagi data menjadi data latih dan data uji. Penelitian lebih lanjut yang
dilakukan yaitu menggabungkan fitur tekstur dan geometri untuk mendapatkan
hasil identifikasi tumbuhan obat yang lebih baik. Penelitian ini menggunakan 85

spesies tumbuhan obat, total data yang digunakan dalam penelitian ini yaitu 3,502
citra. Hasil penelitian menunjukkan bahwa penggabungan ciri geometri dan
tekstur citra dapat meningkatkan hasil akurasi identifikasi tumbuhan obat. Akurasi
dari penggabungan ciri geometri dan tekstur yaitu 88.50%. Penelitian ini
bermanfaat untuk membantu mengidentifikasi tumbuhan obat.
Kata kunci: fuzzy local binary pattern, geometri, probabilistic neural network,
product decision rule, tumbuhan obat
ABSTRACT
ASEP RAHMAT GINANJAR. Development of Mobile Application for
Medicinal Plant Identification based on Combination of Texture and Geometrical
Digital Leaf Image Features. Supervised by YENI HERDIYENI.
This research proposed development of mobile application for medicinal plant
identification based on combination of geometrical and texture digital leaf image
features. Fuzzy Local Binary Pattern is used to extract the texture feature and
geometrical feature is used to extract the area, circularity, eccentricity, and
centroid-radii. The combination technique used is the Product Decision Rule. This
research uses the Probabilistic Neural Network technique to classify the texture
and geometrical feature vector. K Fold Cross Validation is used on this research to
split data to be data learning and data testing. Further research was conducted on
the combination features to get better result in medicinal plant identification. This

research used 85 species of medicinal plant, total images used in this research are
3,502 images. The experimental results show that the combination of texture and
geometrical features can improve the accuracy of medicinal plant identification.
The accuracy of the combination of the FLBP and geometrical features is 88.50%.
This research is promising to help people to identify medicinal plant.
Keywords: fuzzy local binary pattern, geometrical, probabilistic neural network,
product decision rule, medicinal plant

PENGGABUNGAN CIRI TEKSTUR DAN GEOMETRI CITRA
UNTUK IDENTIFIKASI TUMBUHAN OBAT BERBASIS
MOBILE

ASEP RAHMAT GINANJAR

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji:
1 Aziz Kustiyo, SSi MKom
2 Auzi Asfarian, SKom MKom

Judul Skripsi : Penggabungan Ciri Tekstur dan Geometri Citra untuk Identifikasi
Tumbuhan Obat Berbasis Mobile
Nama
: Asep Rahmat Ginanjar
NIM
: G64124008

Disetujui oleh

Dr Yeni Herdiyeni, SSi MKom

Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Alhamdulillah hirabbil alamin, puji syukur penulis panjatkan ke hadirat
Allah Subhanahu Wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-Nya
sehingga penyusunan skripsi yang berjudul Penggabungan Ciri Tekstur dan
Geometri Citra untuk Identifikasi Tumbuhan Obat Berbasis Mobile dapat
diselesaikan.
Ucapan terima kasih penulis sampaikan kepada Ibu Dr Yeni Herdiyeni, SSi
MKom selaku pembimbing yang telah membantu penulis dalam menyusun tugas
akhir. Di samping itu, ucapan terima kasih juga penulis sampaikan kepada Bapak
Aziz Kustiyo, SSi MKom dan Bapak Auzi Asfarian, SKom MKom selaku penguji
dalam tugas akhir. Ungkapan terima kasih juga penulis sampaikan kepada

Ayahanda Daud Nurasa, Ibunda Elih Sunarsih (Almh), serta seluruh keluarga atas
doa, kasih sayang, semangat, dan dukungan kepada penulis. Terima kasih kepada
seluruh staf dan dosen Departemen Ilmu Komputer IPB atas segala bimbingan dan
kemudahan layanan, seluruh teman-teman Ilmu Komputer AJ 7 khususnya temanteman satu bimbingan atas kebersamaan dan semangatnya. Serta semua pihak
yang telah membantu penulis yang tidak dapat disebutkan satu persatu,
jazakumullah khairan.

Bogor, Januari 2015
Asep Rahmat Ginanjar

DAFTAR ISI
DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

3

Tekstur

3

Bentuk Daun

3

Ekstraksi Fitur

4

Ekstraksi Fitur Tekstur dengan FLBP

4

Ekstraksi Fitur Geometri

5

Penggabungan Ciri Citra

8

Probabilistic Neural Network

9

Confusion Matrix

10

K-Fold Cross Validation

10

METODE PENELITIAN

11

Data Citra Tumbuhan Obat

11

Pembagian Data

11

Praproses Citra

11

Ekstraksi Ciri Tekstur dengan FLBP

12

Ekstraksi Ciri Geometri

12

Penggabungan Ciri Tekstur dan Geometri Citra

13

Evaluasi

13

Spesifikasi Kebutuhan Perangkat Sistem

13

HASIL DAN PEMBAHASAN
Pemrosesan Citra

14
14

Praproses

14

Ekstraksi Ciri Tekstur

14

Ekstraksi Ciri Geometri

14

Evaluasi

15

Identifikasi Citra dengan Ciri Tekstur

15

Identifikasi Citra dengan Ciri Geometri

16

Identifikasi Citra dengan Penggabungan Ciri Tekstur dan Geometri

18

Hasil Antarmuka Sistem

22

SIMPULAN DAN SARAN

23

Simpulan

23

Saran

24

DAFTAR PUSTAKA

24

LAMPIRAN

26

RIWAYAT HIDUP

33

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Contoh tekstur tumbuhan
Bentuk-bentuk daun menurut Benson (1957)
Membership function m0 dan m1 sebagai fungsi dari ∆pi.
Ilustrasi area
Ilustrasi circularity
Ilustrasi eccentricity
Ilustrasi Centroid-Radii
Struktur PNN
Ilustasi K-Fold Cross Validation
Metode penelitian
Grafik perbandingan akurasi untuk fitur tekstur (FLBP)
Grafik perbandingan akurasi rata-rata per kelas untuk fitur tekstur
(FLBP)
Contoh citra daun pada kelas 1 (Pandan Wangi)
Grafik perbandingan akurasi untuk fitur geometri
Grafik perbandingan akurasi per kelas untuk fitur geometri
Contoh citra daun pada kelas 8 (Andong)
Grafik perbandingan akurasi untuk penggabungan fitur tekstur dan
geometri
Grafik perbandingan akurasi per kelas dengan penggabungan fitur
tekstur dan geometri
Contoh citra daun pada kelas 15 (Gendis Kuning)
Grafik perbandingan akurasi identifikasi sebelum penggabungan dan
setelah penggabungan
Contoh citra daun pada kelas 49 (Kumis Kucing)
Ilustrasi citra daun pada kelas 49 (Kumis Kucing) yang memiliki
perbedaan ukuran panjang dan lebar daun
Ilustrasi fitur centroid-radii pada citra daun pada kelas 49 (Kumis
Kucing)
Ilustrasi tekstur pada citra daun pada kelas 49 (Kumis Kucing)
Tampilan menu Identifikasi Tumbuhan Obat

3
4
5
6
6
7
7
9
11
12
15
16
16
17
17
18
18
19
19
20
20
21
21
22
23

DAFTAR LAMPIRAN
1
2

Delapan puluh lima jenis citra tumbuhan obat
Screenshoot aplikasi

26
30

1

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara yang memiliki keragaman tumbuhan yang
sangat besar. Lembaga Ilmu Pengetahuan Indonesia (LIPI) menyatakan bahwa
Indonesia merupakan rumah untuk 30,000 dari 40,000 spesies tumbuhan obat di
dunia. Beberapa diantaranya sudah digunakan oleh para peneliti, pelajar, dan
praktisi melalui eksplorasi diberbagai daerah di Indonesia (Damayanti et al 2009).
Pada tahun 2001 Labolatorium Konservasi Tumbuhan, Fakultas Kehutanan
Institut Pertanian Bogor (IPB) telah mencatat 2,039 spesies tumbuhan obat dari
ekosistem hutan Indonesia.
Pada saat ini telah banyak dilakukan penelitian mengenai tumbuhan obat
yang telah menghasilkan banyak data tentang tumbuhan obat. Data yang
dihasilkan pada saat ini banyak berupa paper hardcopy atau buku. Hasil penelitian
mengenai tumbuhan obat belum optimal dan terorganisir dengan baik. Hal ini
dapat dilihat dari persentase pemanfaatan tumbuhan obat di Indonesia yang masih
sedikit sekali yaitu hanya sebesar 4.4% dari sumber daya tumbuhan obat yang
tersedia (Groombridge dan Jenkins 2002). Salah satu penyebabnya adalah
minimnya pengetahuan masyarakat mengenai tumbuhan obat serta sulitnya untuk
memperoleh informasi mengenai tumbuhan obat. Dengan berkembangnya
teknologi khususnya teknologi mobile, pengambilan dan pemrosesan citra dapat
dilakukan dengan mudah. Hal ini dapat dimanfaatkan untuk mengidentifikasi
tumbuhan obat berdasarkan ciri tertentu pada citra daun tumbuhan obat.
Dibandingkan dengan mengidentifikasi daun di herbarium, mengidentifikasi
tumbuhan obat dengan teknologi mobile mempunyai beberapa kelebihan, yaitu
waktu identifikasi yang cepat dan dapat dilakukan kapan saja. Oleh karena itu,
dibutuhkan sistem pada mobile yang dapat mengidentifkasi tumbuhan obat
berdasarkan citra.
Penelitian yang terkait dengan tumbuhan yaitu penelitian yang dilakukan
Pahalawatta (2008). Di dalam penelitiannya dilakukan identifikasi citra daun
tumbuhan dengan hirarki ciri tumbuhan. Representasi bentuk yang digunakan
ialah berbasis kontur yang terdiri atas polygonal approximation, global shape
descriptor, shape signature, dan spectral descriptors. Global shape descriptor
dibagi lagi menjadi 3 yaitu luas area, circularity, dan eccentricity. Penelitian ini
dapat mengidentifikasi secara tepat 37 jenis tumbuhan dari total 40 jenis
tumbuhan. Penelitian terkait geometri citra dilakukan juga oleh Chaki dan Parekh
(2011), ciri citra yang digunakan yaitu color moment dan centroid-radii.
Klasifikasi penelitian menggunakan Probabilistic Neural Network (PNN).
Akurasi yang didapatkan mencapai 99%.
Penelitian terkait tumbuhan yaitu penelitian Valerina (2011), ciri citra yang
digunakan yaitu tekstur dengan metode Fuzzy Local Binary Pattern (FLBP).
Klasifikasi dilakukan dengan menggunakan Probabilistic Neural Network (PNN).
Data yang digunakan yaitu data citra tumbuhan hias dan tumbuhan obat.
Penelitian ini menghasilkan akurasi 77% dengan operator FLBP radius 2, sample
point 8, dan F 19. Metode ekstraksi ciri FLBP dan pengklasifikasi PNN
menghasilkan akurasi yang baik untuk identifikasi tumbuhan hias.

2

Penelitian lanjutan mengenai tumbuhan obat yaitu penelitian Santoni dan
Herdiyeni (2012). Ciri citra yang digunakan tidak hanya menggunakan tekstur,
tetapi menggunakan gabungan dari morfologi, tekstur, dan color moments.
Metode ekstraksi ciri tekstur yang digunakan Local Binary Pattern (LBP) berbeda
dengan penelitian Valerina (2012). Klasifikasi menggunakan PNN dan data yang
digunakan yaitu data citra tumbuhan obat. Penelitian menghasilkan akurasi yang
baik yaitu 72%. Penelitian ini dilakukan dengan berbasis web dan mobile.
Aplikasi mobile digunakan untuk pengambilan citra saja sedangkan proses
identifikasi dilakukan pada server web. Herdiyeni et al. (2013) juga melakukan
penelitian tumbuhan obat dengan menggunakan penggabungan ciri citra
morfologi, tekstur, dan bentuk daun. Ciri tekstur yang digunakan yaitu Local
Binary Pattern Variance dengan pengklasifikasi PNN. Penelitian ini
menghasilkan akurasi yang baik yaitu 74%.
Selanjutnya penelitian terkait tumbuhan obat dilakukan oleh Pravista dan
Herdiyeni (2012). Ciri citra yang digunakan yaitu LBPV dan pembobotan teks
BM25. Data yang digunakan yaitu data citra tumbuhan obat dan korpus tumbuhan
obat. Akurasi hasil penelitian mencapai 59%. Penelitian penggabungan ciri citra
dan teks pada tumbuhan obat juga dilakukan oleh Maulana dan Herdiyeni (2013).
Ciri citra yang digunakan yaitu tekstur menggunakan metode FLBP dan ciri teks
yang digunakan yaitu pembobotan BM25. Data yang digunakan yaitu data citra
tumbuhan obat dan korpus tumbuhan obat. Hasil penelitian menghasilkan akurasi
yang baik yaitu 71%.
Ciri tekstur dan geometri citra pada penelitian-penelitian diatas
menghasilkan akurasi yang baik. Oleh karena itu, pada penelitian ini digunakan
ciri tekstur FLBP dan ciri geometri yang meliputi area, circularity, eccentricity,
dan centroid-radii. Proses identifikasi citra dilakukan dengan menggunakan
klasifikasi PNN yang kemudian digabungkan dengan PDR.
Tujuan Penelitian
Tujuan penelitian ini adalah menggabungkan ciri tekstur dan geometri citra
untuk mempermudah identifikasi tumbuhan obat berbasis citra.
Manfaat Penelitian
Penelitian ini diharapkan dapat meningkatkan akurasi identifikasi tumbuhan
obat serta membantu ahli tumbuhan, peneliti, atau masyarakat dalam
mengidentifikasi jenis tumbuhan untuk keperluan penelitian maupun konservasi
alam.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini yaitu menggunakan citra daun tumbuhan obat
dari kebun Biofarmaka, Cikabayan dan rumah kaca Pusat Konservasi Ex-situ
Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB dan Kebun Raya Bogor.
Citra daun terdiri atas 85 spesies tumbuhan obat.

3

TINJAUAN PUSTAKA
Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam
computer vision, tekstur dicirikan dengan variasi intensitas pada sebuah citra.
Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada
suatu permukaan. Selain itu, tekstur juga merupakan properti dari area. Propertiproperti dari tekstur citra meliputi keseragaman, kepadatan, kekasaran,
keberaturan, linearitas, keberarahan, dan frekuensi. Penampilan tekstur
dipengaruhi oleh skala dan arah pandangan serta lingkungan dan kondisi
pencahayaan (Mäenpää 2003). Contoh citra tekstur daun tumbuhan disajikan pada
Gambar 1 (Cone et al, 2010).

Gambar 1 Contoh tekstur tumbuhan
Bentuk Daun
Ahli tumbuhan mengamati berbagai ciri pada tumbuhan dengan
menggunakan kunci taksonomi untuk mengidentifikasi spesies suatu tumbuhan.
Salah satu ciri yang diamati untuk menentukan spesies tumbuhan adalah bentuk
daun. Berdasarkan bentuknya, daun dikelompokkan menjadi 20 kelas (Benson
1957). Setiap kelas bentuk daun memiliki bentuk yang unik. Bentuk yang khas
pada masing-masing kelas menjadi pembeda utama antara satu kelas dengan kelas
lainnya. Selain itu, secara umum kelas bentuk daun juga ditentukan oleh
perbandingan panjang terhadap lebar daun dan posisi terlebar dari daun. Gambar 1
adalah jenis-jenis bentuk daun yang terdapat di alam.

4

Gambar 2 Bentuk-bentuk daun menurut Benson (1957)
Ekstraksi Fitur
Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari suatu citra.
Secara umum, fitur citra berupa warna, bentuk, dan tekstur. Acharya dan Ray
(2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas
terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai
pengulangan pola atau pola-pola yang ada pada suatu daerah bagian citra.
Ekstraksi Fitur Tekstur dengan FLBP
Fuzzification pada pendekatan LBP meliputi transformasi variabel input
menjadi variabel fuzzy berdasarkan sekumpulan fuzzy rule. Dalam hal ini,
digunakan dua fuzzy rule untuk menentukan mencari nilai biner dan nilai fuzzy
berdasarkan deskripsi relasi antara nilai pada circular sampling dan piksel
pusat
(Iakovidis 2008). Gambar 3 menunjukkan membership function yang
menghasilkan aturan R0 dan R1. Dua fuzzy rule tersebut yaitu:
1 Rule : semakin negatif nilai
, nilai kepastian terbesar dari adalah 0.
2 Rule : semakin positif nilai
, nilai kepastian terbesar dari adalah 1.
Dari aturan R0 dan R1, dua membership function m0() dan m1() dapat
ditentukan. Fungsi m0() mendefinisikan derajat nilai di=0. Membership function
m0() adalah fungsi menurun yang didefinisikan sebagai berikut:

-

–

{

(1)
-

Sementara, membership function m1() mendefinisikan derajat nilai di=1.
Fungsi m1() didefinisikan sebagai berikut:

{

–

(2)
-

5

Kedua
membership
function
dan
merepresentasikan parameter yang mengontrol derajat ketidakpastian.

]

Gambar 3 Membership function m0 dan m1 sebagai fungsi dari ∆pi.
Metode LBP original hanya menghasilkan satu kode LBP, sedangkan
metode FLBP akan menghasilkan satu atau lebih kode LBP. Masing-masing
nilai LBP yang dihasilkan memiliki tingkat kontribusi (CA,CB) yang berbeda
bergantung pada nilai-nilai fungsi keanggotaan m0() dan m1() yang dihasilkan.
Untuk ketetanggaan 3x3, kontribusi CLBP dari setiap kode LBP pada histogram
FLBP didefinisikan sebagai berikut:
∏

(3)

Total kontribusi ketetanggaan 3x3 ke dalam bin histogram FLBP yaitu:
∑

(4)

Ekstraksi Fitur Geometri
Pahalawatta (2008) melakukan penelitian untuk mengklasifikasi spesies
tumbuhan berbasis citra, salah satu fitur yang digunakan yaitu global shape
descriptor. Fitur ini terdiri atas area, circularity, dan eccentricity. Penelitian Chaki
dan Parekh (2011) juga menggunakan fitur geometri yaitu Centroid-Radii. Fitur
geometri yang digunakan pada penelitian ini menggunakan gabungan antara
penelitian Pahalawatta (2008) dan Chaki dan Parekh (2011), penjelasan ke-4 fitur
geometri tersebut yaitu sebagai berikut:
1 Area
Area diperoleh dengan menghitung jumlah pixels objek daun pada citra.
Citra yang digunakan yaitu citra biner. Ilustrasi area objek daun dapat dilihat pada
Gambar 4. Perhitungan area secara matematis diperoleh melalui persamaan:
a

∑

∑

(5)

6

Gambar 4 Ilustrasi area
a merupakan area, n menyatakan jumlah kolom citra, m menyatakan jumlah
baris citra, dan B[x,y] menyatakan intensitas citra biner pada koordinat x,y.
2 Circularity
Circularity merupakan ukuran kemiripan bentuk objek daun dengan bentuk
lingkaran. Ilustrasi circularity pada citra daun dapat dilihat pada Gambar 5.
Circularity dihitung melalui persamaan sebagai berikut:
(6)
A merupakan area daun dan P menyatakan perimeter daun.

Gambar 5 Ilustrasi circularity
3 Eccentricity
Eccentricity merupakan ukuran aspect ratio. Ukuran perbandingan garis
panjang dan garis lebar pada daun dinyatakan dengan
. Ciri ini digunakan
untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1, bentuk helai
daun tersebut melebar. Jika bernilai lebih dari 1, bentuk helai daun tersebut
memanjang. Ilustasi eccentricity dapat dilihat pada Gambar 6. Eccentricity
dihitung melalui persamaan:
e
dan

√

ma

(7)

min

menyatakan eigen value dari matriks:
B=[

]

(8)

7

dihitung melalui persamaan:
∑ ∑

-̅

-̅

(9)

x,y merupakan koordinat objek pada citra, sedangkat ̅ ̅ merupakan
koordinat titik pusat objek. Titik pusat objek dihitung dengan merata-ratakan
koordinat x,y objek pada citra.

Gambar 6 Ilustrasi eccentricity
4 Centroid-Radii
Centroid-radii merupakan suatu model yang memperkirakan bentuk objek
pada citra (Tan et al, 2003). Ilustrasi centroid-radii dapat dilihat pada Gambar 7.
Sebuah bentuk didefinisikan sebagai area berwarna putih dalam berlatar belakang
berwarna hitam. Pada Gambar 7 disajikan ilustrasi centroid-radii. Setiap pixels
direresentasikan oleh warna (hitam dan putih) dan koordinat x,y pada citra. Titik
pusat berada pada korrdinat Cx, Cy yang dihitung dengan cara merata-ratakan
koordinat x dan y pada tepi objek. Koordinat titip pusat dan tepi objek dihitung
jaraknya dengan jarak Euclid dan dijadikan sebagai penciri geometri. Penciri
direpresentasikan dengan sebuah vektor. Ciri geometri yang dihasilkan centroidradii jumlah elemen vektornya bergantung pada suatu nilai theta (Ɵ). Theta
merupakan suatu nilai interval yang menotasikan besarnya sudut yang terbentuk
antara titik pusat dan tepi citra.

Gambar 7 Ilustrasi Centroid-Radii

8

Penggabungan Ciri Citra
Classifier combination adalah kombinasi dari dua atau lebih hasil nilai aturan
keputusan ciri individual (decision rules). Tujuan dari classifier combination
adalah meningkatkan efisiensi dan akurasi. Classifier combination berusaha
mengurangi variance dalam sebuah estimasi sehingga akurasi dari klasifikasi
menjadi meningkat daripada menggunakan sebuah classifier (Kittler 1998).
Masing-masing fitur yang diklasifikasikan dengan sebuah classifier
menghasilkan prior probability dan posterior probability. Berdasarkan kedua
probabilitas tersebut, teknik classifier combination yang dapat digunakan salah
satunya ialah product decision rule (PDR). PDR merupakan teknik yang paling
optimal dalam meningkatkan akurasi (Nurfadhilah 2011).
|
adalah nilai distribusi peluang penggabungan (the
Misalkan
joint probability distribution) pada sebuah classifiers dengan mengasumsikan
vektor ciri yang digunakan adalah saling bebas. Nilai distribusi peluang
penggabungan dapat didefinisikan sebagai berikut:
|

∏

|

(10)

|
adalah peluang vektor input ke-i dengan kondisi kelas-k. Dengan
menggunakan teorema Bayes, Persamaan 10 dapat diubah menjadi:
|

|

∑

(11)
|

(12)

adalah peluang tak bersyarat dari nilai distribusi peluang
penggabungan dan
adalah prior probability dari kelas-k.
Dengan melakukan substitusi Persamaan 10 dan 12 ke Persamaan 11
diperoleh:
|

∑

∏

( )∏

sehingga diperoleh decision rule yaitu:
assign Z 
(

)∏

|

(13)

|

if
|

∏

|

(14)

dengan R merupakan jumlah classifier yang akan dikombinasikan dan m
adalah jumlah kelas target. Persamaan product decision rule dapat dituliskan
seperti pada Persamaan 15.
assign Z 
(

)∏

if
|

∏

|

(15)

9

Probabilistic Neural Network
PNN merupakan Artificial Neural Network (ANN) yang menggunakan
teorema probabilitas klasik (pengklasifikasian Bayes). PNN menggunakan
pelatihan (training) supervised. Training data PNN mudah dan cepat. Bobot
bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu
et al. 2007). Ilustrasi struktur PNN dapat dilihat pada Gambar 8.

Gambar 8 Struktur PNN
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan
pola, lapisan penjumlahan, dan lapisan keputusan atau keluaran. Lapisan masukan
merupakan objek yang terdiri atas nilai ciri yang akan diklasifikasikan pada
kelas. Struktur PNN ditunjukkan pada Gambar 8. Proses-proses yang terjadi
setelah lapisan masukan yaitu:
1 Lapisan pola (pattern layer)
Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang
digunakan. Setiap node pola merupakan perkalian titik (dot product) dari kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam
fungsi radial basis, yaitu
Dengan demikian, persamaan
yang digunakan pada lapisan pola ialah:
f

e p -

-

-

(16)

2 Lapisan penjumlahan (summation layer)
Lapisan ini menerima masukan dari node lapisan pola yang terkait dengan
kelas yang ada. Persamaan yang digunakan pada lapisan ini ialah:
p

∑

e p-

( - ) ( - )

(17)

10

3 Lapisan keluaran (output layer)
Lapisan ini menentukan kelas dari input yang diberikan. Input x akan masuk
paling besar dibandingkan kelas lainnya.
ke Y jika nilai

Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris
data uji yang diprediksi benar dan salah oleh model klasifikasi, yang digunakan
untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Data uji
diujikan untuk mendapatkan tingkat akurasi hasil prediksi yang berupa jumlah
true positive, true negative, false positive, dan false negative seperti yang dilihat
pada Tabel 1.
Tabel 1 Confusion matrix untuk klasifikasi
Predicted Class
C
C
Actual Class
C

-C

true positive (tp)

false positif (fp)

false negative (fn)

true negatif (tn)

Keterangan untuk Tabel 1 dinyatakan sebagai berikut :
1 True positive, yaitu jumlah citra dari kelas C yang benar
sebagai kelas C.
2 False positive, yaitu jumlah citra dari kelas C yang salah
sebagai kelas -C.
3 False negative, yaitu jumlah citra dari kelas -C yang salah
sebagai kelas C.
4 True negative, yaitu jumlah citra dari kelas -C yang benar
sebagai kelas -C.

diklasifikasikan
diklasifikasikan
diklasifikasikan
diklasifikasikan

Perhitungan akurasi dinyatakan dalam Persamaan 18.
kurasi

(18)

K-Fold Cross Validation
Metode K-Fold Cross Validation membagi data menjadi k buah subset,
sebanyak k-1 buah subset digunakan sebagai data latih dan 1 buah set sebagai data
test (Han dan Kamber, 2001). Pelatihan dan pengujian dilakukan sebanyak k kali.
Dalam iterasi ke-i, subset D1 akan menjadi data uji, selainnya menjadi data latih.
Pada iterasi pertama, D1 akan menjadi data uji, D2, D3 … Dk akan menjadi data
latih. Selanjutnya iterasi ke-2, D2 akan menjadi data uji, D1, D3 … Dk menjadi
data latih, dan seterusnya. Ilustrasi pembagian data dengan menggunakan K-Fold
Cross Validation dapat dilihat pada Gambar 9.

11

k

Data
Data uji
Data latih

1
2
3
4
n

Gambar 9 Ilustasi K-Fold Cross Validation

METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut
diselesaikan dengan metode penelitian yang disajikan pada Gambar 10.
Data Citra Tumbuhan Obat
Data citra daun tumbuhan obat dari kebun Biofarmaka, Cikabayan dan
rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia,
Fahutan, IPB dan Kebun Raya Bogor. Jumlah data citra yang digunakan sebanyak
3.502, yang terdiri atas 85 spesies.
Pembagian Data
Penelitian ini menggunakan parameter k sebesar 5 pada K-Fold Cross
Validation. Data citra tumbuhan obat dibagi menjadi 5 subset, masing-masing
subset terdiri atas 20% data uji dan 80% data latih.
Praproses Citra
Sebelum ciri citra diekstrak, data citra dipraproses terlebih dahulu.
Serangkaian proses dilakukan pada tahap ini. Data citra dirotasikan secara manual
agar objek daun pada citra tegak lurus terhadap garis horizontal. Setelah objek
daun pada citra tegak lurus, dilakukan segmentasi dengan tujuan latar belakang
daun dapat dihilangkan. Sehingga didapatkan citra dengan latar belakang
berwarna putih. Kemudian ukuran citra diseragamkan menjadi 270 x 240 pixels.

12

Ekstraksi ciri yang dilakukan terdiri atas ciri tekstur dan ciri geometri. Pada
ekstraksi ciri tekstur, praproses citra dilanjutkan dengan mengkonversi citra
menjadi citra keabuan, sedangkan pada ekstaksi ciri geoemetri citra dikonversi
menjadi cita biner.

Data
Uji

Data
Latih

Praproses

Praproses

Ekstraksi Ciri

Ekstraksi Ciri

FLBP

Geometri

Klasifikasi
PNN

FLBP

Geometri

Klasifikasi
PNN

PDR

Hasil
Identifikasi

Evaluasi

Gambar 10 Metode penelitian
Ekstraksi Ciri Tekstur dengan FLBP
Citra keabuan hasil praproses diektraksi cirinya dengan metode FLBP. Nilai
parameter yang digunakan yaitu fuzzification sebesar 4, radius sebesar 2, dan
sampling point sebesar 8. Nilai operator yang digunakan sama dengan nilai
operator pada penelitian Herdiyeni dan Maulana (2013) yang menghasilkan
akurasi terbaik.
Ciri tekstur dengan nilai sampling point 8, menghasilkan penciri sebuah
vektor dengan banyaknya elemen sebesar 256. Vektor ini merepresentasikan
histogram kontribusi kode LBP citra daun.
Ekstraksi Ciri Geometri
Citra biner hasil dari praproses dapat digunakan langsung untuk ektraksi
geometri area. Ciri geometri circularity tidak bisa didapatkan dari citra biner,
karena perhitungannya melibatkan perimeter, yaitu keliling tepian objek daun.
Sehingga objek daun pada citra biner dilakukan deteksi tepi dengan algoritma
pendeteksi tepi Canny. Setelah keliling tepi objek daun didapatkan, dilakukan

13

penghitungan circularity menggunakan Persamaan 6. Eccentricity yang
merepresentasikan objek daun melebar atau memanjang dihitung menggunakan
Persamaan 7. Citra biner digunakan untuk menghitung eccentricity. Ciri geometri
yang terakhir yaitu centroid-radii. Sudut yang digunakan dalam penelitian ini
digunakan 10 derajat, sama seperti penelitian Chaki dan Parekh (2011) yang
mendapatkan akurasi yang baik. Vektor ciri yang dihasilkan dengan sudut 10
derajat yaitu 36 elemen vektor.
Ciri geometri area, circularity, dan eccentricity masing-masing mewakili 1
elemen vektor ciri. Sedangkan ciri geometri centroid-radii menghasilkan 36
elemen vektor. Setiap citra yang diekstraksi dengan ciri geometri akan
menghasilkan sebuah vektor dengan banyaknya elemen sebesar 39.
Penggabungan Ciri Tekstur dan Geometri Citra
Menggabungkan ciri citra tekstur dan geometri dilakukan dengan
menggunakan combiner classifier PDR. Citra kueri yang telah diekstraksi ciri
tekstur dan geometri dihitung bobotnya dengan menggunakan PNN, hasilnya
berupa bobot ke masing-masing kelas tumbuhan obat. Bobot PNN tekstur dan
geometri dijadikan input untuk PDR.
Evaluasi
Evaluasi dilakukan untuk mengukur keakuratan sistem. Evaluasi identifikasi
citra dibagi menjadi 3 yaitu identifikasi menggunakan ciri citra tekstur,
identifikasi menggunakan ciri citra geometri, dan identifikasi menggunakan
penggabungan ciri tekstur dan geometri citra. Identifikasi kinerja diukur
berdasarkan banyaknya data uji yang diprediksi secara benar dan tidak benar oleh
model. Hal ini dapat dihitung menggunakan akurasi yang disajikan pada
Persamaan 18.
Spesifikasi Kebutuhan Perangkat Sistem
Penelitian ini dilakukan dengan menggunakan perangkat keras dan
perangkat lunak sebagai berikut:
1 Perangkat keras berupa laptop dengan spesifikasi sebagai berikut:
 Intel® Core™ i
7 Ghz
 RAM 2 GB
 harddisk 500 GB
 monitor
 mouse dan keyboard
2 Perangkat keras berupa smartphone Samsung P3100 dengan spefisikasi
sebagai berikut:
 prosesor TI OMAP 4430 Dual-core 1 GHz
 RAM 1 GB
 kamera 3.15 Mega Pixels

14

 sistem operasi Android 4.1.2
3 Perangkat lunak:
 sistem operasi Windows 7
 code editor Eclipse Helios SR 2
 library Opencv Android 2.4.8

HASIL DAN PEMBAHASAN
Pemrosesan Citra
Praproses
Praproses yang dilakukan pada data citra yaitu merotasikan objek daun
sehingga tegak lurus terhadap garis horizontal. Objek daun dan latar belakang
pada citra dipisahkan dengan cara membuat warna selain objek daun menjadi
putih. Kemudian ukuran citra diseragamkan menjadi 270 x 240 pixels.
Serangkaian proses ini dilakukan secara manual.
Data citra dari penelitian Herdiyeni dan Maulana (2013) telah dilakukan
praproses, sehingga ukuran citra sudah seragam sebesar 270 x 240 pixels dan latar
belakang sudah berwarna putih. Praproses pada penelitian Herdiyeni dan Maulana
(2013) hampir serupa dengan praproses pada penelitian ini, perbedaannya terletak
pada objek daun yang belum tegak lurus terhadap horizontal, sehingga data citra
dirotasikan secara manual.
Ciri citra yang diekstraksi terdiri atas ciri tekstur dan ciri geometri. Masingmasing proses ekstraksi membutuhkan data citra dalam representasi yang berbeda.
Pada proses ekstraksi tekstur, praproses citra ditambahkan satu tahapan yaitu
mengkonversi citra menjadi citra keabuan. Sedangkan proses ekstraksi ciri
geometri citra dikonversi menjadi citra biner.
Ekstraksi Ciri Tekstur
Ekstraksi ciri tekstur dengan metode FLBP menggunakan beberapa
operator, yaitu fuzzification, sampling point, dan radius. Berdasarkan penelitian
Herdiyeni dan Maulana (2013) operator yang digunakan yaitu fuzzification
sebesar 4, sampling point 8, dan radius 2. Nilai dengan operator tersebut
menghasilkan akurasi yang baik. Oleh karena itu pada penelitian ini menggunakan
nilai operator tersebut.
Citra keabuan hasil dari praproses, diesktraksi cirinya dengan metode FLBP.
Hasil dari proses ini berupa histogram kontribusi kode LBP. Ciri yang dihasilkan
direpresentasikan sebagai vektor dengan jumlah elemen sebesar 256.
Ekstraksi Ciri Geometri
Citra biner hasil dari praproses digunakan untuk proses ekstraksi ciri
geometri. Citra biner digunakan untuk menghitung area, circularity, dan
eccentricity. Ciri circularity dan centroid -radii melibatkan perimeter dalam
perhitungannya, sehingga citra biner dideteksi tepinya dengan menggunakan
Canny.

15

Pada proses ini ciri citra yang dihasilkan berupa vektor dengan elemen
sebanyak 39. Ciri area, circularity, dan eccentricity masing-masing
direpresentasikan sebagai 1 elemen vektor, sehingga jumlah elemen vektor
sebanyak 3 buah. Sedangkan ciri centroid-radii direpresentasikan sebagai vektor
dengan jumlah elemennya sebanyak 36 buah. Empat ciri vektor disenaraikan
menjadi sebuah vektor yang mewakili ciri geometri citra.
Evaluasi
Evaluasi identifikasi dilakukan terhadap ciri tekstur, ciri geometri, dan
gabungan antara ciri tekstur dan geometri. Pada penelitian ini data dibagi dengan
menggunakan metode K-Fold, nilai k yang digunakan yaitu 5. Parameter PNN
yaitu nilai bias diperoleh dari hasil percobaan. Nilai bias yang digunakan pada
penelitian ini ada 2 yaitu 0.055 untuk fitur tekstur(FLBP) dan 0.032 untuk fitur
geometri.
Identifikasi Citra dengan Ciri Tekstur
Akurasi rata-rata yang didapatkan dari percobaan identifikasi dengan
menggunakan ciri tekstur yaitu 84.15%. Perbandingan akurasi identifikasi untuk
masing-masing fold disajikan pada Gambar 11.
100

85.73 83.37 83.21 83.72 84.73

Akurasi (%)

80

60
40
20
0
1

2

3
Fold

4

5

Gambar 11 Grafik perbandingan akurasi untuk fitur tekstur (FLBP)
Gambar 11 menunjukkan bahwa akurasi paling tinggi diperoleh pada fold
ke-1 yaitu sebesar 85.73%, sementara akurasi yang paling rendah diperoleh pada
fold ke-3 yaitu sebesar 83.21%. Perbandingan akurasi rata-rata untuk masingmasing kelas dapat dilihat pada grafik Gambar 12.

16

100

Akurasi (%)

80
60
40
20
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85

Kelas
Gambar 12 Grafik perbandingan akurasi rata-rata per kelas untuk fitur tekstur
(FLBP)
Gambar
12 menunjukkan bahwa sebanyak 9 kelas (spesies) citra
teridentifikasi benar dengan akurasi 100%. Sembilan kelas tersebut yaitu 31, 39,
42, 44, 60, 62, 63, 81, dan 85. Daftar nama untuk setiap kelas citra daun dapat
dilihat lebih jelas pada Lampiran 1. Akurasi paling rendah pada percobaan ini
sebesar 30%, kelas yang memiliki akurasi paling rendah yaitu kelas 1 (Pandan
Wangi).

Gambar 13 Contoh citra daun pada kelas 1 (Pandan Wangi)
Gambar 13 menunjukkan bahwa kelas 1 (Pandan Wangi) memiliki tingkat
pencahayaan yang berbeda dan bentuk yang beragam. Bentuk daun Pandan Wangi
tidak lurus, urat daun mengikuti arah ujung daun. Hal tersebut menyebabkan
tekstur dari citra menjadi beragam dan mempersulit proses identifikasi.
Identifikasi Citra dengan Ciri Geometri
Identifikasi selanjutnya yang dilakukan yaitu identifikasi dengan
menggunakan ciri geometri. Akurasi rata-rata yang dihasilkan yaitu 76.96%. Hasil
akurasi dengan menggunakan ciri geometri lebih kecil daripada menggunakan ciri
tekstur. Perbandingan akurasi identifikasi untuk masing-masing fold disajikan
pada Gambar 14.

17

100

Akurasi (%)

80

77.12 77.33 76.24 76.95 77.13

60
40
20
0
1

2

3
Fold

4

5

Gambar 14 Grafik perbandingan akurasi untuk fitur geometri
Gambar 14 menunjukkan bahwa akurasi paling tinggi diperoleh pada fold
ke-2 yaitu sebesar 77.33%, sementara akurasi yang paling rendah diperoleh pada
fold ke-3 yaitu sebesar 76.24%. Perbandingan akurasi identifikasi untuk masingmasing kelas dapat dilihat pada grafik Gambar 15.
100

Akurasi (%)

80
60
40
20
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85

Kelas
Gambar 15 Grafik perbandingan akurasi per kelas untuk fitur geometri
Sebanyak 9 kelas teridentifikasi benar dengan akurasi 100%. Kelas tersebut
yaitu 16, 32, 33, 60, 61, 69, 76, 81, dan 83. Akurasi paling rendah pada percobaan
ini sebesar 14%, kelas yang memiliki akurasi paling rendah yaitu kelas 8
(Andong).
Gambar 16 yaitu citra kelas 8 (Andong). Bentuk daun Andong memiliki
keragaman. Keragaman ini disebabkan oleh proses akuisisi citra. Permukaan daun
yang tidak datar menyebabkan keragaman bentuk saat akusisi citra dilakukan,
sehingga menyebabkan ciri geometri yang dihasilkan lebih mirip dengan ciri
geometri citra kelas lain.

18

Gambar 16 Contoh citra daun pada kelas 8 (Andong)
Identifikasi Citra dengan Penggabungan Ciri Tekstur dan Geometri
Kelas 8 yaitu Andong memiliki akurasi 84% pada percobaan dengan
menggunakan ciri tekstur. Tetapi akurasi turun menjadi 14% pada percobaan
dengan menggunakan ciri geometri. Kelas 16, yaitu Bunga Telang memiliki
akurasi 56% pada percobaan dengan menggunakan ciri tekstur. Tetapi akurasi
naik menjadi 100% ketika menggunakan ciri geometri. Pada penelitian ini
ditemukan bahwa terdapat beberapa kelas yang memiliki akurasi yang tinggi jika
menggunakan ciri tekstur, tetapi jika menggunakan ciri geometri akurasinya
rendah, dan sebaliknya. Oleh karena itu, dilakukan percobaan identifikasi dengan
menggabungan ciri tekstur dan geometri citra.
Percobaan menggunakan penggabungan ciri tekstur dan geometri citra
menghasilkan akurasi rata-rata sebesar 88.50%. Akurasi pada percobaan ini lebih
besar jika dibandingkan dengan percobaan yang menggunakan 1 ciri saja.
Perbandingan akurasi identifikasi untuk masing-masing fold disajikan pada
Gambar 17.

Akurasi (%)

100

89.03 89.30 87.60 88.65 87.95

80
60
40
20
0
1

2

3
4
5
Fold
Gambar 17 Grafik perbandingan akurasi untuk penggabungan fitur tekstur dan
geometri
Gambar 17 menunjukkan bahwa akurasi paling tinggi diperoleh pada fold
ke-2 yaitu sebesar 89.30%, sementara akurasi yang paling rendah diperoleh pada
fold ke-3 yaitu sebesar 87.60%. Perbandingan akurasi identifikasi untuk masingmasing kelas dapat dilihat pada grafik Gambar 18.

19

100

Akurasi (%)

80

60

40

20

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85

Kelas
Gambar 18 Grafik perbandingan akurasi per kelas dengan penggabungan fitur
tekstur dan geometri
Setelah dilakukan penggabungan ciri, jumlah kelas yang teridentifikasi
dengan benar 100% bertambah menjadi 22 yaitu kelas 7, 16, 31, 32, 33, 44, 46,
52, 54, 60, 61, 63, 64, 66, 67, 69, 76, 79, 81, 82, 83, dan 85. Akurasi paling
rendah pada percobaan ini sebesar 34.29%, kelas yang memiliki akurasi paling
rendah yaitu kelas 15 (Gendis Kuning).

Gambar 19 Contoh citra daun pada kelas 15 (Gendis Kuning)
Gambar 19 yaitu citra kelas 15 (Gendis Kuning). Bentuk daun Gendis
Kuning beragam, sehingga ciri geometri tidak dapat merepresentasikan model
geometri kelas ini dengan baik. Perbedaan intensitas warna kuning dan hijau yang
tidak merata juga menyebabkan ciri tekstur tidak dapat dimodelkan dengan baik.
Oleh karena itu, kelas ini memiliki akurasi yang rendah. Pada percobaan dengan
menggunakan ciri geometri akurasi rata-rata yang didapatkan sebesar 20%,
sedangkan dengan menggunakan ciri tekstur akurasi rata-rata yang didapatkan
naik menjadi 43%. Pada percobaan dengan penggabungan ciri tekstur dan
geometri akurasi rata-rata menjadi 34%.

20

100

84.15

Akurasi (%)

80

88.50
76.96

60
40
20
0
Tekstur
(FLBP)

Geometri

PDR

Fitur
Gambar 20 Grafik perbandingan akurasi identifikasi sebelum penggabungan
dan setelah penggabungan
Pada Gambar 20 disajikan rata-rata akurasi identifikasi sebelum
penggabungan dan setelah penggabungan. Akurasi paling tinggi diperoleh pada
percobaan dengan menggunakan metode penggabungan ciri tekstur dan geometri,
akurasinya yaitu 88.50%. Sedangkan akurasi paling rendah diperoleh pada
percobaan dengan menggunakan ciri geometri, akurasinya sebesar 76.96%. Pada
percobaan dengan menggunakan ciri tekstur dan ciri geometri kelas yang berhasil
diidentifikasi dengan benar 100% sebanyak 9 kelas, sedangkan dengan
menggunakan penggabungan ciri kelas yang berhasil diidentifikasi dengan benar
100% bertambah menjadi 22 kelas.
Pemilihan fitur citra untuk identifikasi tumbuhan obat memegang peranan
penting. Bentuk daun tumbuhan obat yang beragam tidak dapat diidentifikasi
dengan baik apabila menggunakan fitur geometri. Fitur geometri area dipengaruhi
oleh ukuran citra daun, semakin besar ukuran citra daun, nilai area akan semakin
besar dan sebaliknya. Percobaan dengan menggunakan fitur geometri pada kelas
49 (Kumis Kucing) menghasilkan akurasi 25%. Pada kelas 49 (Kumis Kucing)
ukuran citra daun tidak seragam, sebagian citra daun ukurannya besar dan
sebagian ukurannya kecil. Contoh citra daun kelas 49 (Kumis Kucing) dapat
dilihat pada Gambar 21. Citra daun yang berbeda ukurannya jika dilakukan
identifikasi menggunakan fitur geometri area tidak menghasilkan akurasi yang
baik.

Gambar 21 Contoh citra daun pada kelas 49 (Kumis Kucing)

21

Fitur geometri eccentricity dipengaruhi oleh bentuk citra daun. Pada
Gambar 21 yaitu citra tumbuhan obat kelas 49 (Kumis Kucing) memiliki beragam
ukuran, ada yang memanjang dan ada yang melebar. Pada kelas 49 (Kumis
Kucing) hasil identifikasi kurang baik yaitu hanya 25%. Salah satu yang
menyebabkan rendahnya akurasi yaitu fitur geometri eccentricity yang
dipengaruhi beragamnya panjang dan lebar citra daun. Salah satu contoh
perbedaan ukuran panjang dan lebar citra daun pada kelas 49 (Kumis Kucing)
dapat dilihat pada Gambar 22.

Gambar 22 Ilustrasi citra daun pada kelas 49 (Kumis Kucing) yang memiliki
perbedaan ukuran panjang dan lebar daun
Fitur geometri centroid-radii pada kelas 49 (Kumis Kucing) diilustrasikan
pada Gambar 23. Perbedaan ukuran citra daun memanjang dan melebar pada
Gambar 22 mempengaruhi ciri geometri centroid-radii. Jarak antara titik pusat
pada citra dan titik tepi akan berbeda jika citra daun tidak seragam bentuknya.
Pada kelas 49 (Kumis Kucing) memiliki keragaman bentuk, sehingga identifikasi
citra tumbuhan obat dengan menggunakan fitur geometri centroid-radii tidak
menghasilkan akurasi yang baik.

Gambar 23 Ilustrasi fitur centroid-radii pada citra daun pada kelas 49 (Kumis
Kucing)
Pada percobaan identifikasi tumbuhan obat dengan menggunakan fitur
tekstur, kelas 49 (Kumis Kucing) berhasil diidentifikasi dengan baik, akurasinya
mencapai 83%. Bentuk daun pada kelas 49 (Kumis Kucing) bervariasi, tetapi
memiliki tekstur yang mencirikan kelas tersebut. Oleh karena itu identifkasi
tumbuhan obat dengan menggunakan fitur tekstur, tumbuhan obat kelas 49
(Kumis Kucing) lebih tinggi akurasinya dibandingkan identifikasi menggunakan
fitur geometri. Contoh dari tekstur pada tumbuhan obat kelas 49 (Kumis Kucing)
dapat dilihat pada Gambar 24.

22

Gambar 24 Ilustrasi tekstur pada citra daun pada kelas 49 (Kumis Kucing)
Pemilihan fitur citra untuk identifikasi tumbuhan obat mempengaruhi
akurasi identifikasi. Jika citra daun tumbuhan obat bervariasi bentuknya, fitur
geometri bukan pilihan yang tepat, karena fitur geometri dipengaruhi oleh bentuk
daun tumbuhan obat. Sedangkan fitur tekstur dapat digunakan jika daun tumbuhan
obat tersebut memiliki tekstur yang seragam walaupun bentuknya bervariasi.
Penggabungan fitur tekstur dan geometri citra dapat dilakukan untuk menutupi
kekurangan masing-masing fitur. Contohnya yaitu jika dilakukan identifikasi pada
tumbuhan obat yang memiliki bentuk yang bervariasi tetapi teksturnya seragam,
maka akurasi identifikasi dengan menggunakan fitur geometri akan kecil karena
adanya variasi bentuk. Sedangkan akurasi dengan menggunakan fitur tekstur akan
besar hasilnya karena tumbuhan obat tersebut memiliki tekstur yang seragam
sehingga dapat diidentifikasi dengan baik.
Jika dilakukan penggabungan fitur tekstur dan geometri pada proses
identifikasi maka nilai akurasi tekstur yang besar akan menutupi nilai akurasi fitur
geometri yang kecil, sehingga hasil identifikasi menjadi lebih baik. Begitupula
jika dilakukan identifikasi pada citra tumbuhan obat yang memiliki bentuk
seragam tetapi teksturnya bervariasi. Penggabungan fitur tekstur dan geometri
dapat menutupi kecilnya akurasi identifikasi pada fitur tekstur, karena terbantu
oleh akurasi pada fitur geometri yang besar.

Hasil Antarmuka Sistem
Sistem ini diberi nama MedLeaf (Medicinal Leaf). Antarmuka sistem ini
terdiri atas menu Home, Identifikasi Tumbuhan Obat, Dokumen Tumbuhan Obat,
Peta Organisme, dan Katalog Organisme. Tampilan menu Home dapat dilihat
pada Lampiran 2.1.
Menu Identifikasi Tumbuban Obat merupakan menu inti pada sistem dan
penelitian ini. Pada menu ini pengguna dapat mengambil citra langsung dari
kamera ponsel atau memilih citra daun tumbuhan obat yang telah disimpan dalam
gallery ponsel. Selain itu, fitur untuk proses identifikasi juga dapat pengguna
tentukan. Pilihan fitur yang tersedia yaitu tekstur (FLBP), geometri, dan gabungan
antara tekstur (FLBP) dan geometri. Menu Identifikasi Tumbuhsan Obat dapat
dilihat pada Gambar 25.

23

Gambar 25 Tampilan menu Identifikasi Tumbuhan Obat
Menu Dokumen Tumbuhan Obat merupakan menu tambahan pada
penelitian ini. Pada menu ini pengguna dapat melakukan pencarian dokumen
tumbuhan obat. Pengguna dapat memasukkan kueri teks pada textbox yang
tersedia. Setelah tombol search dipilih, sistem akan menampilkan dokumen
terkait dengan kueri teks tersebut. Kueri dapat berupa nama tumbuhan, penyakit,
atau kandungan kimia pada tumbuhan obat. Tampilan menu Dokumen Tumbuhan
Obat dapat dilihat pada Lampiran 2.4.
Menu Peta Organisme dan Katalog Organisme merupakan menu tambahan
yang diambil dari aplikasi Ipbiotics. Pada menu Peta Organisme pengguna dapat
melihat posisi suatu organisme pada peta. Tampilan Menu Peta Organisme dapat
dilihat pada Lampiran 2.5. Sedangkan pada menu Katalog Organisme pengguna
dapat melakukan pencarian organisme berdasarkan kueri teks. Menu Katalog
Organisme hampir serupa dengan pencarian dokumen tumbuhan obat, pengguna
dapat memasukkan kueri teks pada textbox yang tersedia. Setelah tombol search
dipilih, sistem akan menampilkan organisme terkait dengan kueri teks tersebut.
Tampilan menu Katalog Organisme dapat dilihat pada Lampiran 2.6.

SIMPULAN DAN SARAN
Simpulan
Penggabungan ciri tekstur dan geometri citra untuk identifikasi tumbuhan
obat telah berhasil diimplementasikan. Akurasi identifikasi yang dihasilkan
dengan menggunakan ciri tekstur ialah sebesar 84.15%, sedangkan dengan

24

menggunakan ciri geometri akurasi mengalami penurunan menjadi 76.96%.
Setelah dilakukan penggabungan ciri, akurasi identifikasi naik menjadi 88.50%.
Akurasi identifikasi setelah penggabungan ciri lebih baik dari pada akurasi
identifikasi dengan menggunakan 1 ciri saja. Akurasi terbaik diperoleh dari
identifikasi dengan menggunakan penggabungan ciri.
Pemilihan fitur citra untuk identifikasi tumbuhan obat memegang peranan
penting. Jika bentuk daun tumbuhan obat seragam maka dapat diidentifikasi
dengan baik apabila menggunakan fitur geometri. Sedangkan jika citra daun
tumbuhan obat memiliki tekstur yang seragam maka proses identifikasi tumbuhan
obat dapat menghasilkan akurasi yang baik jika menggunakan fitur tekstur. Pada
identifikasi dengan menggunakan penggabungan fitur tekstur dan geometri citra,
masing-masing fitur akan saling menutupi kekurangannya, sehingga hasil akurasi
menjadi lebih baik.
Saran
Saran untuk penelitian selanjutnya yaitu menggabungkan data dokumen
tumbuhan obat dan citra digital tumbuhan obat untuk meningkatkan hasil
identifikasi tumbuhan obat.

DAFTAR PUSTAKA
Benson L. 1957. Plant Classification. Boston (US):D.C. Heath and Company.
Chaki J, Parekh R. 2011. Plant Leaf Recognition using Shape based Features and
Neural Network classifiers. International Journal on Advanced Computer
Science and Applications 2(10):41-47.
Cope JS, Remagnin P, Barman S, Wilkon P. 2010. Plant Texture Classification
Using Gabor Co-Occurrences. UK: Digital Imaging Research Centre,
Kingston University, London.
Damayanti, E.K., Zuhud, E. A. M., Sangat, H.M., and Permanasari, T. 2009.
Pemanfaatan Dokumentasi Pengetahuan Lokal Tumbuhan Obat untuk
Mewujudkan Masyarakat Mandiri Kesehatan. Seminar Nasional Etnobotani IV,
Cibinong Science Center-LIPI.
Groombridge, B dan M. Jenkins, 2002. Word atlas of biodiversity. Earth's living
resources in the 21st century. University of California Press, Berkeley.
Han J, Kamber M. 2001. Data Minning Concepts & Techniques. USA: Academic
Press
Herdiyeni Y, Nurfadhilah E, Zuhud EAM, Damayanti EK, Arai K, Okumura H. A
Computer Aided System For Tropical Leaf Medicinal Plant Identification.
International Journal on Advanced Science, Engineering and Information
Technology; 2013 Mei; 3(1):23-27.
Iakovidis D.K, et al. 2008. Fuzzy Local Binary Patterns for Ultrasound Texture
Charecterization. Athens : University of Athens.

25

Kittler J. 1998. On combining classifiers. IEEE Transactions on Pattern Analysis
and Machine Intelligence 20(3):226-239.
Mäenpää T. 2003. The Local Binary Patterns Approach to Texture Analysis.
Oulu: Oulu University Press.
Maulana O, Herdiyeni Y. 2013. Combining Image and Text Features for
Medicinal Plants Image Retrieval. International Conference on Advance
Computer Science and Information System; 2013 September; Bali, Indonesia.
Pahalawatta KK. 2008. Plant Species Biometric Using Feature Hierarchies [thesis].
Christchurch: Department of Computer Science and Software Engineering,
University of Canterbury.
Pravista DS, Herdiyeni Y. 2012. Medleaf: Aplikasi Mobile untuk Identifikasi
Tumbuhan Obat Berbasis Citra dan Teks. Seminar Nasional Pertemuan dan
Presentasi Ilmiah Kalibrasi, Instrumentasi dan Meteorologi (PPI-KIM) ke-38;
2012 Oktober.
Santoni MM, Herdiyeni Y. 2012. Combination of Morphological, Local Binary
Pattern Variance and Color Moments Features for Indonesian Medicinal Plants
Identification. International Conference on Advance Computer Science and
Information System; 2012 September; Jakarta, Indonesia.
Tan et al. 2006. Introduction to Data Mining. USA: Addison Wesley.
Valerina F. 2012. Ekstraksi tekstur citra tumbuhan obat menggunakan Metode
Fuzzy Local Binary Pattern [skripsi]. Bogor : Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Wu SG, Bao FS, Xu EY, Wang Y, Chang Y, et al. 2007. A Leaf R