Clustering Optimization using Particle Swarm Optimization for Medicinal Plant Identification System based on Digital Image

OPTIMASI CLUSTERING MENGGUNAKAN PARTICLE
SWARM OPTIMIZATION PADA SISTEM IDENTIFIKASI
TUMBUHAN OBAT BERBASIS CITRA

FRANKI YUSUF BISILISIN

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Optimasi Clustering
menggunakan Particle Swarm Optimization pada Sistem Identifikasi Tumbuhan
Obat berbasis Citra 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 tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Maret 2014
Franki Yusuf Bisilisin
NIM G651110591



Pelimpahan hak cipta atas karya tulis dari penelitian kerjasama dengan pihak luar
IPB harus didasarkan pada perjanjian kerja sama yang terkait.

RINGKASAN
FRANKI YUSUF BISILISIN. Optimasi Clustering menggunakan Particle Swarm
Optimization pada Sistem Identifikasi Tumbuhan Obat berbasis Citra. Komisi
Pembimbing YENI HERDIYENI dan BIB PARUHUM SILALAHI.
Indonesia merupakan negara dengan tingkat keanekaragaman hayati yang
tinggi dan terdapat 22.500 spesies tumbuhan obat. Presentase pemanfaatan
tumbuhan obat oleh masyarakat Indonesia hanya sebesar 4,4% atau sebanyak
1000 spesies. Pengetahuan masyarakat yang rendah tentang tumbuhan obat
merupakan salah satu penyebab dari minimnya pemanfaatan tumbuhan obat di

Indonesia. Peningkatan pengetahuan masyarakat dapat dibantu dengan
dikembangkannya sistem identifikasi tumbuhan obat. Pada penelitian ini, metode
ekstraksi ciri yang digunakan untuk sistem identifikasi tumbuhan obat adalah
fuzzy local binary pattern (FLBP). Data citra yang digunakan adalah sebanyak
1.440 citra daun.
Teknik unsupervised learning yakni clustering diusulkan untuk
membandingkan hasil identifikasi tumbuhan obat dengan teknik klasifikasi.
Metode clustering yang digunakan adalah k-means clustering dan fuzzy c-means
clustering. Kelemahan utama dari kedua metode adalah hasil sensitif terhadap
pemilihan pusat cluster awal dan perhitungan solusi lokal untuk mencapai kondisi
optimal. Penelitian ini menerapkan metode particle swarm optimization (PSO)
untuk mengatasi kelemahan dari k-means clustering dan fuzzy c-means clustering.
Penerapan metode PSO pada sistem identifikasi bertujuan untuk meningkatkan
hasil identifikasi tumbuhan obat. Penelitian ini membangun empat model
clustering, diantaranya k-means clustering, fuzzy c-means clustering, PSO based
k-means clustering dan PSO based fuzzy c-means clustering. Pengembangan
model clustering menggunakan bahasa pemrograman C++.
Evaluasi model clustering menggunakan nilai akurasi menunjukkan bahwa
metode PSO mampu meningkatkan hasil identifikasi pada k-means clustering dan
fuzzy c-means clustering. K-means clustering menghasilkan akurasi 41,67% dan

PSO based k-means clustering 48%. Fuzzy c-means clustering menghasilkan
akurasi 50% dan PSO based fuzzy c-means clustering 52,33%. Evaluasi model
clustering menggunakan waktu komputasi menunjukkan adanya penambahan
waktu pada metode PSO. Penambahan algoritme menyebabkan pengolahan data
semakin banyak. Waktu komputasi pada metode k-means clustering 291,3 detik
dan metode PSO based k-means clustering 403,3 detik. Waktu komputasi pada
metode fuzzy c-means clustering 59,65 detik dan metode PSO based fuzzy cmeans clustering 60,1 detik. Metode PSO based fuzzy c-means clustering
merupakan metode yang lebih baik karena menghasilkan akurasi yang tinggi dan
waktu komputasi yang lebih cepat.
Kata kunci : Fuzzy C-Means Clustering, Fuzzy Local Binary Pattern, K-Means
Clustering, Particle Swarm Optimization.

SUMMARY
FRANKI YUSUF BISILISIN. Clustering Optimization using Particle Swarm
Optimization for Medicinal Plant Identification System based on Digital Image.
Supervised by YENI HERDIYENI and BIB PARUHUM SILALAHI.
Indonesia is a country with a high level of biodiversity and there are 22,500
species of medicinal plants. The percentage of medicinal plant used by Indonesian
people is only 4.4% or as much as 1,000 species. The people’s lack of knowledge
becomes one of the cause of this low use of medicinal plant in Indonesia. People’s

insight about medicinal plant can be increased by developing an identification
system of medicinal plant. In this research, we used fuzzy local binary pattern
(FLBP) to extract the feature. The number of digital image that used in this
research are 1,440 leaf image.
Unsupervised learning technique known as clustering is proposed to
compare the results of the identification of medicinal plants with classification
techniques. Clustering methods used is the k-means clustering and fuzzy c-means
clustering. The disadvantages of both method is that the results are sensitive to the
selection of initial cluster centers and the calculation of local solutions to achieve
optimal conditions. This research applied a particle swarm optimization (PSO)
method to overcome the weaknesses of k-means clustering and fuzzy c-means
clustering. The application of PSO method in the identification system as a
purpose to improve the identification of medicinal plants. This research builds
four models of clustering is the k-means clustering, fuzzy c-means clustering,
PSO based k-means clustering and PSO-based fuzzy c-means clustering. The
development of clustering model using C++ programming language.
Evaluation model of clustering using an accuracy value indicates that the
PSO method can improve the identification of the k-means clustering and fuzzy cmeans clustering. Accuracy of k-means clustering resulted 41.67% and PSObased k-means clustering is 48%. Accuracy of fuzzy c-means clustering resulted
in 50% and PSO based fuzzy c-means clustering is 52.33%. Evaluation of
clustering models using computational time indicates the addition of time on the

PSO method. The addition of algorithms led to growing number of data
processing. Computation time on k-means clustering 291.3 seconds and PSO
based k-means clustering 403.3 seconds. Computation time on fuzzy c-means
clustering 59.65 seconds and PSO based fuzzy c-means clustering 60.1 seconds.
PSO based fuzzy c-means clustering is a better method for generating high
accuracy and faster computing time.
Keyword : Fuzzy C-Means Clustering, Fuzzy Local Binary Pattern, K-Means
Clustering, Particle Swarm Optimization.

© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa
mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk
kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan,
penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak
merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya
tulis ini dalam bentuk apa pun tanpa izin IPB

OPTIMASI CLUSTERING MENGGUNAKAN PARTICLE

SWARM OPTIMIZATION PADA SISTEM IDENTIFIKASI
TUMBUHAN OBAT BERBASIS CITRA

FRANKI YUSUF BISILISIN

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Penguji Luar Komisi pada Ujian Tesis: Dr Ir Agus Buono, MSi, MKom

Judul Tesis
Nama

NIM

: Optimasi Clustering menggunakan Particle Swarm Optimization
pada Sistem Identifikasi Tumbuhan Obat berbasis Citra
: Franki Yusuf Bisilisin
: G651110591

Disetujui oleh
Komisi Pembimbing

Dr Ir Bib Paruhum Silalahi, MKom
Anggota

Dr Yeni Herdiyeni, SSi, MKom
Ketua

Diketahui oleh

Ketua Program Studi
Ilmu Komputer

Dekan Sekolah Pascasarjana

Dr Eng Wisnu Ananta Kusuma, ST, MT

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 05 Februari 2014

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan September 2012 adalah Optimasi
Clustering menggunakan Particle Swarm Optimization pada Sistem Identifikasi
Tumbuhan Obat berbasis Citra.
Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni, SSi, MKom
dan Bapak Dr Ir Bib Paruhum Silalahi, MKom selaku pembimbing, serta Bapak

Dr Ir Agus Buono, MSi, MKom selaku penguji dalam ujian tesis. Di samping itu,
penghargaan penulis sampaikan kepada Yayasan Uyelewun Indonesia melalui
beasiswa atas pemberian fasilitas baik pembiayaan maupun sarana/prasarana
selama penyusunan karya ilmiah ini. Ungkapan terima kasih juga disampaikan
kepada kedua orangtua, Bapak Niander Mesak Bisilisin (Alm) dan Ibu Juliana
Carolin Bisilisin-Tafui atas doa, dukungan moral dan materi, kakak tercinta Susan
Imelda Bisilisin, SE bersama suami Simsoni Sodak dan anak Ester Juliani Sodak,
kakak tersayang Ricky Yuland Bisilisin, AMd bersama istri Wely Dortia Lay, SE
dan anak Samuel Cavilano Bisilisin serta seluruh keluarga, atas segala doa dan
kasih sayangnya. Terima kasih kepada seluruh dosen dan staf akademik Ilmu
Komputer Institut Pertanian Bogor, teman-teman angkatan XIII Program Studi
Ilmu Komputer (khususnya lima sekawan) atas kebersamaan dan bantuannya
selama kuliah dan penyelesaian penelitian ini.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah
membantu selama penyelesaian karya ilmiah ini yang tidak dapat disebutkan satupersatu. Semoga karya ini bermanfaat. Kritik dan saran sangat penulis harapkan
demi kesempurnaan karya ini di kemudian hari.

Bogor, Maret 2014
Franki Yusuf Bisilisin

i

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
1 PENDAHULUAN
Latar Belakang
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup
2 TINJAUAN PUSTAKA
Fitur Tekstur
Local Binary Pattern (LBP)
Fuzzy Local Binary Pattern (FLBP)
K-Means Clustering
Fuzzy C-Means Clustering
Particle Swarm Optimization (PSO)
PSO based K-Means Clustering
PSO based Fuzzy C-Means Clustering

3 METODE
Alat dan Bahan
Metode Penelitian
4 HASIL DAN PEMBAHASAN
Hasil Praproses
Ekstraksi Fitur FLBP
Hasil Percobaan
5 SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
LAMPIRAN

ii
ii
iii
1
1
2
2
2
3
3
3
4
6
7
8
10
12
14
14
14
17
17
17
17
27
27
27
28
29

ii

DAFTAR TABEL
1 Operator LBP
2 Penentuan cluster k-means clustering
3 Penentuan cluster fuzzy c-means clustering
4 Penentuan cluster PSO based k-means clustering
5 Penentuan cluster PSO based fuzzy c-means clustering

15
18
20
21
22

DAFTAR GAMBAR
1 Skema komputasi LBP
3
2 Ukuran operator LBP
4
3 Fungsi keanggotaan 0( ) dan 1( ) sebagai fungsi dari Δpi
5
4 Skema perhitungan FLBP dengan F=10
6
5 Algoritme K-means
7
6 Algoritme Fuzzy C-Means
8
7 Algoritme Particle Swarm Optimization
10
8 Algoritme PSO based k-means clustering
12
9 Algoritme PSO based fuzzy c-means clustering
13
10 Metode penelitian
14
11 Hasil praproses citra tumbuhan obat
17
12 Histogram FLBP pada citra Psidium guajava L.
17
13 Grafik perbandingan akurasi per spesies k-means clustering
19
14 Contoh citra latih dan citra uji spesies 9 (Kemangi)
19
15 Kesalahan identifikasi spesies citra k-means clustering
19
16 Grafik perbandingan akurasi per spesies fuzzy c-means clustering
20
17 Contoh citra latih dan citra uji spesies 2 (Jarak Pagar)
20
18 Kesalahan identifikasi spesies citra fuzzy c-means clustering
21
19 Grafik perbandingan akurasi per spesies PSO based k-means clustering
21
20 Contoh citra latih dan citra uji spesies 2 (Jarak Pagar) dan spesies 26
(Cincau Hitam)
22
21 Kesalahan identifikasi spesies citra PSO based k-means clustering
22
22 Grafik perbandingan akurasi per spesies PSO based fuzzy c-means clustering23
23 Contoh citra latih dan citra uji spesies 2 (Jarak Pagar), spesies 20 (Sosor
Bebek), spesies 26 (Cincau Hitam) dan spesies 29 (Jambu Biji)
23
24 Kesalahan identifikasi spesies citra PSO based fuzzy
24
25 Perbandingan evaluasi akurasi
24
26 Perbandingan evaluasi waktu komputasi
25

iii

DAFTAR LAMPIRAN
1 Data Tumbuhan Obat
2 Purity k-means clustering
3 Purity fuzzy c-means clustering
4 Purity PSO based k-means clustering
5 Purity PSO based fuzzy c-means clustering

29
32
33
34
35

1 PENDAHULUAN
Latar Belakang
Indonesia merupakan negara dengan tingkat keanekaragaman hayati yang
tinggi. Groombridge dan Jenkins (2002) mencatat bahwa terdapat 22.500 spesies
tumbuhan obat di Indonesia. Jumlah spesies yang telah dimanfaatkan sebagai
tumbuhan obat sebanyak 1000 spesies. Hal ini menunjukkan bahwa jumlah
persentase tumbuhan obat yang telah dimanfaatkan hanya sebesar 4.4% dari
sumber daya tumbuhan obat yang tersedia. Salah satu penyebab kurangnya
pemanfaatan tumbuhan obat adalah minimnya pengetahuan masyarakat mengenai
potensi tumbuhan obat. Peningkatan pengetahuan masyarakat tentang tumbuhan
obat dapat dibantu dengan dikembangkannya sistem identifikasi tumbuhan obat.
Teknologi identifikasi secara otomatis diperlukan untuk mempercepat proses
identifikasi dengan menggunakan organ vegetatif seperti daun. Sistem identifikasi
terdiri dari dua teknik yaitu teknik klasifikasi dan teknik clustering. Adapun
penelitian menggunakan teknik klasifikasi yang sudah dilakukan, salah satunya
pada penelitian Herdiyeni dan Wahyuni (2012) menggunakan metode ekstraksi
fitur fuzzy local binary pattern (FLBP) dan metode klasifikasi probabilistic neural
network (PNN) untuk identifikasi tumbuhan obat. Sistem identifikasi telah
dikembangkan di dalam aplikasi mobile berbasis Android. Pengembangan sistem
bertujuan untuk memudahkan pengguna dalam mengidentifikasi tumbuhan obat.
Teknik klasifikasi merupakan supervised learning yaitu teknik yang memerlukan
pelabelan data sebelum pembelajaran. Label tersebut menunjukkan kelas
observasi dan data baru diklasifikasikan berdasarkan training set. Pada penelitian
ini digunakan teknik clustering. Teknik clustering merupakan unsupervised
learning yaitu label kelas dari data training tidak diketahui. Data tersebut
diberikan pengukuran, observasi dan lain-lain dengan tujuan mengetahui
keberadaan data dalam kelas atau cluster. Dengan menggunakan teknik clustering,
akan dilihat perbandingan hasil identifikasi tumbuhan obat dengan teknik
klasifikasi.
Menurut Ghahramani (2004), teknik unsupervised learning dapat dianggap
sebagai teknik untuk menemukan pola. Pola tersebut dapat berupa pengamatan,
item data atau fitur vektor. Teknik unsupervised learning memungkinkan untuk
mempelajari model dengan jumlah data yang banyak dan lebih kompleks.
Clustering merupakan salah satu teknik unsupervised learning. Menurut Jain et al.
(1999), clustering adalah ilmu yang mempelajari hubungan antara satu data
dengan data yang lain kemudian mengelompokkannya menjadi satu kategori
tertentu. Metode clustering yang paling banyak digunakan adalah metode k-means
clustering dan fuzzy c-means clustering. Kelemahan utama dari kedua metode
adalah hasil sensitif terhadap pemilihan pusat cluster awal dan perhitungan solusi
lokal untuk mencapai kondisi optimal. Menurut Panchal et al. (2009), pemilihan
pusat cluster awal dan perhitungan solusi lokal mempengaruhi proses dari kedua
metode dan hasil partisi data.
Dalam perkembangannya, metode k-means clustering dan fuzzy c-means
clustering dapat dimodifikasi dengan pendekatan metaheuristik. Menurut Santosa
dan Willy (2011), pendekatan metaheuristik adalah metode untuk mencari solusi

2

pada ruang pencarian solusi sehingga menemukan solusi global. Salah satu teknik
optimasi dengan pendekatan metaheuristik yang dapat digunakan untuk
memaksimalkan kinerja dari metode k-means clustering dan fuzzy c-means
clustering adalah particle swarm optimization (PSO). Dengan teknik ini,
pemilihan pusat cluster baru tidak melihat dari perhitungan solusi lokal saja tetapi
perhitungan juga dilihat dari solusi global. Dalam penelitian Panchal et al. (2009),
PSO dapat digunakan untuk menemukan pusat cluster baru sesuai dengan jumlah
cluster yang sudah ditentukan. Algoritme dimodifikasi menggunakan metode kmeans clustering dan fuzzy c-means clustering untuk pengelompokan awal,
kemudian PSO memperbaiki kelompok data yang dibentuk oleh kedua metode
tersebut.
Pada penelitian ini, kelemahan pemilihan pusat cluster awal dan
perhitungan solusi lokal pada metode k-means clustering dan fuzzy c-means
clustering akan di optimasi menggunakan PSO. Penerapan metode PSO
diharapkan mampu mengatasi kelemahan tersebut dan meningkatkan hasil
identifikasi tumbuhan obat. Nilai akurasi dan waktu komputasi digunakan untuk
mengukur seberapa baik metode PSO yang diterapkan.

Tujuan Penelitian
Penelitian ini bertujuan melakukan optimasi k-means clustering dan fuzzy cmeans clustering menggunakan metode particle swarm optimization (PSO) untuk
meningkatkan hasil identifikasi tumbuhan obat.

Manfaat Penelitian
Penelitian ini diharapkan untuk meningkatkan hasil identifikasi tumbuhan
obat berbasis citra menggunakan teknik optimasi particle swarm optimization
pada k-means clustering dan fuzzy c-means clustering secara otomatis.

Ruang Lingkup
Ruang lingkup penelitian ini adalah:
1. Data yang digunakan adalah 30 spesies citra daun tumbuhan obat di Indonesia.
2. Metode Particle Swarm Optimization dimodifikasi berdasarkan algoritme kmeans clustering dan fuzzy c-means clustering.

2 TINJAUAN PUSTAKA
Fitur Tekstur
Fitur tekstur merupakan gambaran visualisasi dari sebuah objek. Tekstur
dapat dicirikan sebagai variasi intensitas pencahayaan pada sebuah citra. Analisis
tekstur memiliki peranan yang cukup penting dalam aplikasi pengolahan citra
digital. Meskipun warna merupakan hal yang penting dalam mendeskripsikan
citra akan tetapi informasi warna tidak cukup untuk mendeskripsikan suatu citra.
Informasi yang terkandung pada tekstur adalah area, kekasaran, regularity,
linearitas dan frekuensi (Maenpaa 2003).
Local Binary Pattern (LBP)
Analisis tekstur digunakan di sebagian besar aplikasi seperti remote sensing,
pengolahan citra pada biomedical, visual inspection dan identifikasi citra. Sejak
1970-an penelitian dan pengembangan metode ekstraksi fitur telah banyak
diusulkan. Metode local binary pattern (LBP) merupakan salah satu metode untuk
merepresentasikan tekstur berdasarkan pola biner (binary pattern). Metode LBP
cukup efektif di dalam menggambarkan pola tekstur lokal dari citra (Keramidas et
al. 2011).
Menurut Iakovidis et al. (2008) proses local binary pattern (LBP)
merepresentasikan tekstur lokal disekitar tekstur pusat berdasarkan operator
ketetanggaan LBP. Setiap pola tekstur LBP direpresentasikan oleh sembilan
merupakan nilai piksel pusat dan
elemen � = �
, �0 , �1 , … , �7 , �
7 merupakan nilai piksel sekelilingnya (circular sampling). Nilai
� 0
0
7 seperti terlihat
circular sampling dapat dicirikan oleh nilai biner
pada gambar 1(b) dan didefinisikan pada Persamaan 1.

dengan Δ� = � − �
piksel pusat �
.

∆� < 0
∆� 0

0
1

=

(1)
1)

adalah selisih antara nilai circular sampling � dan

5

9

1

1

4

4

6

1

7

2

3

1

1

0

0

1

1

128

0

64

2

4
8

32

(a)
(b)
(c)
Gambar 1 Skema komputasi LBP
(Iakovidis et al. 2008)

16

4

Nilai biner yang dihasilkan kemudian akan dikonversi ke nilai desimal
untuk mendapatkan nilai LBP, didefinisikan pada Persamaan 2.
� �=

7
=0

, � � ∈ 0,255

.2

(2)

Nilai-nilai LBP yang dihasilkan akan direpresentasikan melalui histogram.
Histogram akan menunjukkan frekuensi kemunculan dari setiap nilai LBP.
Menurut Ahonen dan Pietikainen (2008) operator LBP dapat dikembangkan
dengan menggunakan berbagai ukuran sampling points dan radius (Gambar 2).
Pengamatan piksel ketetanggaan, akan digunakan notasi �, � dimana �
merupakan sampling points dan � merupakan radius. Nilai LBP dihasilkan sesuai
dengan operator LBP yang digunakan. Semakin kecil radius dan semakin besar
sampling points yang digunakan maka semakin banyak piksel yang diolah untuk
mendapatkan nilai LBP.

2)

(8.1)
(16,2)
(8,2)
Gambar 2 Ukuran operator LBP
(Ahonen dan Pietikainen 2008)
Fuzzy Local Binary Pattern (FLBP)
Fuzzification pada proses LBP adalah transformasi variabel input menjadi
variabel fuzzy berdasarkan pada sekumpulan fuzzy rule (Iakovidis et al. 2008).
Berdasarkan penelitian Iakovidis et al. (2008), penelitian ini menggunakan dua
fuzzy rule untuk menentukan representasi nilai biner dan mencari nilai fuzzy.
Penentuan nilai fuzzy berdasarkan deskripsi selisih antara nilai circular sampling
� dan piksel pusat �
(Δ� ) yaitu :
1. Rule �0 : semakin negatif nilai Δ� , maka nilai kepastian terbesar dari
� adalah 0.
2. Rule �1 : semakin positif nilai Δ� , maka nilai kepastian terbesar dari �
adalah 1.
Berdasarkan rules �0 dan �1 , dua fungsi keanggotaan 0 ( ) dan 1 ( )
dapat ditentukan (Gambar 3). Fungsi keanggotaan 0 ( ) mendefinisikan derajat
adalah 0. Fungsi keanggotaan 0 ( ) adalah fungsi menurun, didefinisikan pada
Persamaan 3.
0
0

=

,
�−Δ�
2.�

1

,
,

∆�

�

− � < ∆� < �
∆�

Fungsi keanggotaan 1 ( ) mendefinisikan derajat
didefinisikan pada Persamaan 4.

−�

adalah 1. Fungsi

(3)
3)
1(

)

5

0
1

=

,

2.�

1

∆�

,
�+Δ�

,

�

− � < ∆� < �
∆�

(4)
4)

−�

Fungsi keanggotaan 0 ( ) dan 1 ( ) , � ∈ 0,255 merepresentasikan
threshold FLBP (F) yang mengontrol derajat ketidakpastian. Semakin besar nilai
threshold yang digunakan maka semakin banyak nilai piksel yang diolah di dalam
rentang fuzzy. Penentuan nilai threshold berdasarkan dari tekstur citra yang
diekstraksi. Citra yang memiliki tekstur homogeny cukup menggunakan nilai
threshold yang kecil, sedangkan citra yang memiliki tekstur heterogen
menggunakan nilai threshold yang lebih besar. Penggunaan threshold yang besar
mempengaruhi waktu komputasi pada saat proses ekstraksi fitur.

Gambar 3 Fungsi keanggotaan 0 ( ) dan 1 ( ) sebagai fungsi dari Δpi
(Iakovidis et al. 2008)
Metode LBP original hanya menghasilkan satu kode LBP saja, sedangkan
dengan metode FLBP akan menghasilkan satu atau lebih kode LBP. Nilai-nilai
LBP yang dihasilkan FLBP memiliki tingkat kontribusi yang berbeda, bergantung
dan 1 ( ) yang dihasilkan. Untuk
pada nilai-nilai fungsi keanggotaan 0
ketetanggaan 3×3, kontribusi CLBP dari setiap kode LBP pada histogram FLBP
didefinisikan pada Persamaan 5 (Iakovidis et al. 2008).
7
� �

=

()

(5)

=0

5)

Total kontribusi ketetanggaan 3×3 ke dalam bin histogram FLBP,
didefinisikan pada Persamaan 6.
255

� �=0

� �

=1

(6)
6)

6

Kode LBP tersebut akan direpresentasikan dengan histogram yang dihitung
dengan menjumlahkan kontribusi � � dari setiap nilai LBP seperti ditunjukkan
pada Gambar 4.

90

200 110

180 142 150

0, m0 1, m1 0, m0

0; 1 1; 1 0; 1

20

1, m1

1; 1

27

0, m0

0; 0.1

21

22

23

1, m1 1, m1 0, m0

1; 1 1; 1 0; 1

26

25

24

0, m0 1, m1 0, m0

0; 1 1; 1 0; 1

20

21

22

1, m1

1; 1

27

Fuzzy Threshold

182 181 100

1, m1

1, m1 1, m1 0, m0

1; 0.9

1; 1 1; 1 0; 1
Nilai LBP

(234; 0.9)
+0.9

(226; 0.1)

26

23
25

24

(226; 0.1)
(234; 0.9)

Nilai CLBP

Histogram

+0.1
1200
1000
800
600
400
200

1
12
23
34
45
56
67
78
89
100
111
122
133
144
155
166
177
188
199
210
221
232
243
254

0

Gambar 4 Skema perhitungan FLBP dengan F=10
(Iakovidis 2008)
K-Means Clustering
Metode k-means clustering pertama kali diperkenalkan oleh MacQueen
(1976). K-means clustering adalah algoritme untuk mengklasifikasikan atau
mengelompokkan data berdasarkan atribut-atribut atau fitur-fitur ke dalam
beberapa jumlah kelompok secara tepat, dimana Nc adalah pusat cluster.
Algoritme ini dimulai dengan menentukan pusat cluster awal secara acak,
kemudian objek data dalam dataset dikelompokkan ke pusat cluster berdasarkan
jarak yang terdekat antara objek data dan pusat cluster.
Prosedur algoritme k-means clustering adalah sebagai berikut :
1. Jumlah cluster (� ).
Jumlah cluster merupakan hal yang sangat penting, sehingga penentuan
jumlah cluster yang digunakan untuk mengelompokkan data juga harus
diperhatikan.
2. Mendefinisikan pusat cluster awal.
Pada langkah ini, ditentukan posisi titik awal sebagai pusat cluster data
sebanyak � titik data secara random.
3. Mengelompokkan data ke dalam cluster.
Pada langkah ini, data dimasukkan ke dalam salah satu cluster yang
mempunyai jarak terdekat dengan pusat cluster. Dalam menghitung jarak
antara data ke pusat cluster, digunakan rumus jarak Euclidean, didefinisikan
pada Persamaan 7.
� ,�

=

�
=1(

−

)2

(7)

dengan � menunjukkan jumlah piksel citra,
menunjukkan komponen �
piksel ,
menunjukkan rata-rata pusat cluster j.

9)

7

Perhitungan jarak pada algoritme ini dilakukan untuk masing-masing data ke
setiap pusat cluster. Sehingga jika terdapat � data dan � pusat cluster maka
akan dihasilkan sebanyak (� � ) perhitungan jarak. Selanjutnya, dari hasil
perhitungan jarak data dengan pusat cluster, akan dicari nilai minimum untuk
masing-masing data. Nilai minimum menunjukkan bahwa data lebih dekat
dengan pusat cluster tersebut, sehingga data akan lebih tepat ditempatkan ke
dalam cluster, didefinisikan pada Persamaan 8.
=

1

(8)

 �

dengan adalah jumlah data yang dimiliki cluster . Keanggotaan data ( )
yang masuk ke cluster akan dihitung untuk mendapatkan pusat cluster yang
baru.
4. Kembali ke langkah 2 dan 3.
Proses algoritme k-means clustering berhenti ketika beberapa kriteria
terpenuhi, yaitu jumlah iterasi sudah mencapai nilai maksimum atau tidak ada
perubahan keanggotaan cluster. Alur kerja algoritme k-means clustering, seperti
ditunjukkan pada Gambar 5.
Start

Inisialisasi jumlah
cluster (Nc)

Pusat cluster
Tidak
Menghitung jarak antara objek
data dan pusat cluster

Objek data tidak
berpindah group ?

Ya

End

Mengelompokkan data ke dalam cluster berdasarkan
jarak terpendek

Gambar 5 Algoritme K-means
Fuzzy C-Means Clustering (FCM)
Metode fuzzy c-means pertama kali diperkenalkan oleh Bezdek pada tahun
1984. Fuzzy c-means adalah suatu teknik pengelompokkan data dimana
keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan.
Alur kerja algoritme fuzzy c-means clustering, seperti ditunjukkan pada Gambar 6.
Prosedur algoritme fuzzy c-means clustering (Kusumadewi dan Purnomo 2010)
adalah sebagai berikut :
1. Data input �, berupa matriks berukuran
( = jumlah sampel data, =
atribut setiap data). � = data sampel ke- ( = 1,2, … , ) , atribut ke( = 1,2, … , ).
2. Tentukan jumlah cluster , pangkat , iterasi maksimum, error terkecil yang
diharapkan �, fungsi objektif awal �0 = 0 dan iterasi awal = 1.

8

3. Inisialisasi � , ( = 1,2, … , ) ; ( = 1,2, … , ) sebagai elemen-elemen
matriks partisi .
4. Memperbaharui vektor pusat cluster ke-k:
, didefinisikan pada Persamaan
9.
=

�

=1

=1

∗�

�

(9)

dengan
= pusat cluster, � = bobot data ke cluster dan � = data.
5. Hitung fungsi objektif � pada iterasi ke- , didefinisikan Persamaan 10.
� =

=1 =1

=1

� −

2

�

(10)

6. Perbaharui matriks partisi � , didefinisikan pada Persamaan 11.
�

=1 � −

=
=1

=1

� −

2

−1
−1

2

(11)

−1
−1

7. Cek kondisi berhenti:
- Jika � − � −1 < � atau ( > iterasi maksimum) maka berhenti.
- Jika tidak : = + 1, ulangi langkah ke-4.
Start

Inisialisasi matriks keanggotaan

Menghitung matriks derajat
keanggotaan

Menghitung pusat cluster dan
perbaharui keanggotaan yang baru

Tidak

Nilai objektif baru – Nilai objektif
sebelumnya < e

Ya

End

Menghitung ulang derajat keanggotaan yang baru

Gambar 6 Algoritme Fuzzy C-Means
Particle Swarm Optimization (PSO)
Algoritme particle swarm optimization (PSO) diperkenalkan oleh Kennedy
dan Eberhart (1995), algoritme diinspirasi oleh perilaku sosial dari binatang
seperti sekumpulan burung dalam suatu kumpulan (swarm). Perilaku sosial terdiri
dari tindakan individu dan pengaruh dari individu-individu lain dalam satu
kelompok. Partikel menunjukkan seekor burung dalam kawanan burung. Setiap
individu atau partikel berperilaku dengan cara menggunakan kecerdasannya

9

(intelligence) sendiri dan juga dipengaruhi perilaku kelompok kolektifnya.
Dengan demikian, jika satu partikel atau seekor burung menemukan jalan yang
tepat atau pendek menuju sumber makanan, sisa kelompok yang lain juga akan
dapat segera mengikuti jalan tersebut meskipun lokasi mereka jauh di kelompok
tersebut (Santosa dan Willy 2011).
Berbeda dengan teknik komputasi evolusioner lainnya, setiap partikel di
dalam PSO juga berhubungan dengan suatu kecepatan (velocity). Partikel-partikel
tersebut bergerak melalui penelusuran ruang dengan kecepatan dinamis yang
disesuaikan menurut perilaku historisnya. Oleh karena itu, partikel-partikel
mempunyai kecenderungan untuk bergerak ke area penelusuran yang lebih baik
setelah melewati proses penelusuran. Pada algoritme PSO, vektor kecepatan
diperbaharui untuk masing-masing partikel, kemudian menjumlahkan vektor
kecepatan tersebut ke posisi partikel. Proses memperbaharui kecepatan
dipengaruhi oleh kedua solusi yaitu melakukan penyesuaian posisi terbaik dari
partikel (local best) dan penyesuaian terhadap partikel terbaik dari seluruh
kawanan (global best). Pada tiap iterasi setiap solusi yang direpresentasikan oleh
posisi partikel, dievaluasi dengan cara memasukkan solusi tersebut kedalam
fitness function. Alur kerja algoritme Particle Swarm Optimization terlihat pada
Gambar 7.
Prosedur algoritme PSO adalah sebagai berikut :
1. Inisialisasi populasi dari partikel-partikel dengan posisi dan kecepatan secara
acak dalam suatu ruang dimensi penelusuran.
2. Evaluasi nilai fitness dari masing-masing partikel berdasarkan posisinya.
3. Membandingkan evaluasi fitness partikel dengan Pbestnya. Jika nilai yang ada
lebih baik dibandingkan dengan nilai Pbestnya, maka Pbest di set sama
dengan nilai tersebut dan Pi sama dengan lokasi partikel yang ada Xi dalam
ruang dimensional d.
4. Identifikasi nilai terbaik secara keseluruhan (Gbest) yang dimiliki oleh setiap
partikel dalam populasi.
5. Setelah mendapatkan nilai Pbest dan Gbest tersebut, partikel memperbaharui
kecepatan dan posisinya masing-masing, didefinisikan pada Persamaan 12 dan
13.
=
=

−1 +

−1 +

( )

−

+

2 2

−

(12)
(13)

dengan = index partikel, = iterasi, = inertia, = velocity partikel ke-i,
= posisi partikel ke-i,
= posisi terbaik dari semua partikel (gbest),
=
posisi terbaik dari partikel ke-i (pbest), 1,2 = learning rate, 1,2 = bilangan
acak antara [0,1]
6. Kembali ke langkah 2 sampai kriteria terpenuhi sehingga disetiap iterasi,
posisi partikel akan semakin mengarah ke target yang dituju (minimasi atau
maksimasi fungsi). Proses ini dilakukan sampai maksimum iterasi dicapai.

10

Start

Inisialisasi Partikel
dengan posisi acak
dan kecepatan awal

Hitung fitness
value

Bandingkan dan update
fitness value dengan
pbest dan gbest

Memenuhi stop
kriteria ?

Ya

Stop

Tidak
Update kecepatan
dan posisi

Gambar 7 Algoritme Particle Swarm Optimization
PSO based K-Means Clustering
Algoritme PSO based k-means clustering merupakan gabungan dari
algoritme k-means clustering dengan algoritme PSO. PSO based k-means
clustering digunakan untuk proses pengelompokkan data dan proses penemuan
pusat cluster terbaik. Pengelompokkan data menggunakan algoritme PSO based
k-means clustering menunjukkan hasil yang lebih baik dari metode k-means
clustering (Van der Merwe dan Engelbrecht 2003). Di dalam konteks clustering,
satu partikel merepresentasikan satu titik data pusat cluster. Setiap partikel
=
, … , � , dengan
mengacu pada −
vektor pusat
1, … ,
cluster dari partikel ke - . Alur kerja algoritme PSO based k-means clustering
seperti ditunjukkan pada Gambar 8. Berikut ini adalah langkah-langkah dalam
algoritme PSO based k-means clustering :
1. Mendefinisikan jumlah cluster (Nc), populasi data dan jumlah iterasi
maksimum
2. Mendefinisikan pusat cluster awal
3. Mengelompokkan data ke dalam cluster
Pada langkah ini, data dimasukkan ke dalam salah satu cluster yang
mempunyai jarak terdekat antara pusat cluster dengan data, didefinisikan pada
Persamaan (7).
4. Perhitungan nilai fitness
Kualitas dari setiap partikel diukur, didefinisikan pada Persamaan 14
,

= �1

,

+ �2

−

(14)

11

dengan
adalah nilai maksimum piksel dalam set citra (
=2 −1
untuk s-bit citra); Z adalah matriks yang mewakili pengolahan piksel citra ke
cluster partikel i. Setiap elemen
menunjukkan jika piksel adalah milik
cluster
partikel i. Nilai �1 dan �2 ditentukan oleh user. Juga,
,

=

max

=1,… , �

,

/

 �

adalah nilai rata-rata maksimum jarak Euclidean dari partikel untuk masingmasing kelas partikel dan
=

min

 1, 2, 1≠ 2

1

,

2

adalah jarak Euclidean minimum antara setiap pasang cluster.
Fungsi fitness tersebut memiliki tujuan yang dilakukan secara bersamaan,
terdiri atas:
- Meminimalkan intra-distance yaitu jarak antara data dengan masing, .
masing pusat cluster, seperti yang diukur dengan
- Memaksimalkan inter-distance yaitu jarak antara setiap pusat cluster,
.
seperti yang diukur dengan
5. Gbest PSO based k-means clustering
Untuk mencari nilai gbest dalam algoritme PSO based k-means
clustering, nilai fitness dari setiap pusat cluster akan dicari yang paling
optimal (minimum), didefinisikan pada Persamaan (14). Langkah selanjutnya
adalah data akan dikelompokkan sebagai berikut :
1. Inisialisasi setiap partikel (Nc) secara acak
2. Untuk t=1 sampai tmax lakukan
(a) Untuk setiap partikel i lakukan
(b) Untuk setiap data
i. Hitung jarak Euclidean
,
untuk semua pusat cluster Cij
ii. Tentukan ke cluster
sehingga
,
= minimum
iii. Hitung nilai fitness, didefinikan pada Persamaan (14)
(c) Update pbest dan gbest
(d) Update pusat cluster, didefinisikan pada Persamaan (12) dan (13).
dengan tmax adalah jumlah iterasi maksimum.
6. Kembali ke langkah 2 sampai kriteria terpenuhi, proses berhenti ketika tidak
ada data yang berpindah cluster atau sampai pada jumlah maksimum iterasi.

12

Start

Mendefinisikan populasi data, jumlah cluster (Nc) dan
jumlah iterasi maksimum

Memilih Nc data secara acak sebagai pusat cluster

Mengelompokkan data ke dalam cluster berdasarkan
jarak terpendek

Iterasi = 1

Inisialisasi parameter PSO

Update nilai Fitness

Iterasi = iterasi + 1

Ya

Iterasi < maxiter ?
Tidak
Menyimpan nilai fitness, pusat cluster dan
anggota cluster

End

Gambar 8 Algoritme PSO based k-means clustering
PSO based Fuzzy C-Means Clustering
Algoritme PSO based fuzzy c-means clustering merupakan gabungan dari
algoritme fuzzy c-means clustering dengan algoritme PSO. Algoritme ini
diperkenalkan untuk mengatasi permasalahan solusi lokal dari pengelompokkan
data menggunakan metode fuzzy c-means clustering tradisional (Panchal et al.
menunjukkan pusat cluster. Satu partikel
2009). Vektor = 1 , 2 , … , ,
merepresentasikan satu titik data pusat cluster dengan mengacu pada −
vektor pusat cluster. Alur kerja algoritme PSO based fuzzy c-means clustering
seperti ditunjukkan pada Gambar 9. Berikut ini adalah langkah-langkah dalam
algoritme PSO based fuzzy c-means clustering :
1. Data input �, berupa matriks berukuran
( = jumlah sampel data, =
atribut setiap data). � = data sampel ke- ( = 1,2, … , ) , atribut ke( = 1,2, … , ).
2. Tentukan jumlah cluster , pangkat , iterasi maksimum, error terkecil yang
diharapkan �, fungsi objektif awal �0 = 0 dan iterasi awal = 1.
3. Inisialisasi � , ( = 1,2, … , ) ; ( = 1,2, … , ) sebagai elemen-elemen
matriks partisi .
4. Memperbaharui vektor pusat cluster ke-k:
, didefinisikan pada Persamaan
9.
5. Hitung fungsi objektif � pada iterasi ke- , didefinisikan pada Persamaan 10.
6. Perbaharui matriks partisi � , didefinisikan pada Persamaan 11.
7. Menghitung nilai fitness untuk setiap partikel menggunakan Persamaan 15.

13

�

=

min

 1, 2,…,
=1

� −

(15)

Membandingkan evaluasi nilai fitness partikel dengan Pbestnya. Jika nilai
fitness yang ada lebih baik dibandingkan dengan nilai Pbestnya, maka Pbest
di set sama dengan nilai tersebut. Jika nilai fitness untuk semua partikel Pbest
lebih baik dari nilai terbaik secara keseluruhan (Gbest), maka perbaharui
Gbest.
8. Memperbaharui pusat cluster, didefinisikan pada Persamaan (12) dan (13).
9. Cek kondisi berhenti:
- Jika ( > iterasi maksimum) maka berhenti.
- Jika tidak : = + 1, ulangi langkah ke-4.
Start

Mendefinisikan populasi data (Xij)
Menentukan jumlah cluster (c), pangkat (w), iterasi maksimum,
error terkecil (e) , fungsi objektif awal (P0) dan iterasi awal (t=1)
Inisialisasi elemen-elemen matriks partisi U (µik)

Memperbaharui vektor pusat cluster (Vkj)

Hitung fungsi objektif

Memperbaharui matriks partisi U (µik)

Iterasi = 1

Inisialisasi parameter PSO

Update nilai Fitness

Iterasi = iterasi + 1

Ya

Iterasi < maxiter ?
Tidak

Menyimpan nilai fitness, matriks partisi U, pusat cluster dan
anggota cluster

End

Gambar 9 Algoritme PSO based fuzzy c-means clustering

METODE

3

Alat dan Bahan
Penelitian ini menggunakan alat laptop dengan spesifikasi Processor AMD
E-300 APU with Radeon™ HD Graphics 1,3 GHz, memori DDR3 RAM 2.00 GB
dan harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem Operasi
Windows7, Microsoft Word 2007, Microsoft Excel 2007, CodeBlocks 10.05 dan
OpenCV. Adapun bahan yang digunakan dalam penelitian ini adalah data citra
daun tumbuhan obat.
Metode Penelitian
Penelitian ini menggunakan pendekatan secara sistem. Ekstraksi fitur pada
citra menggunakan fuzzy local binary pattern (FLBP). Hasil ekstraksi berupa ciri
dari citra akan dikelompokkan menggunakan k-means clustering, fuzzy c-means
clustering, PSO based k-means clustering dan PSO based fuzzy c-means
clustering untuk identifikasi citra. Metode penelitian yang akan dilakukan seperti
ditunjukkan pada Gambar 10.
Mulai
Citra Tumbuhan
Obat

Praproses
Ekstraksi Fitur
(FLBP)
Pembagian Data

Data Latih

K-Means

FCM

PSO based K-Means

Data Uji

PSO based FCM

Pengujian
Hasil Identifikasi Citra

Evaluasi
Selesai

Gambar 10 Metode penelitian
Data Citra Tumbuhan Obat
Proses pengambilan citra daun tumbuhan obat dilakukan dengan pemotretan
tiga puluh jenis tumbuhan obat di kebun Biofarmaka IPB dan di rumah kaca Pusat
Konservasi Ex-Situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB.
Pemotretan dilakukan dengan menggunakan lima kamera digital yang berbeda

15

(DSC-W55, 7210 Supernova, Canon Digital Axus 95 IS, Samsung PL100, dan
EX-Z35). Total citra daun tumbuhan obat yang digunakan adalah 1 440 yang
terdiri atas 30 spesies dengan masing-masing spesies terdiri atas 48 citra. Data
citra tumbuhan obat seperti ditunjukkan pada Lampiran 1.
Praproses
Praproses adalah tahap awal dari proses identifikasi tumbuhan obat. Proses
yang dilakukan pada tahap ini adalah mengganti latar belakang citra daun dengan
warna putih. Ukuran citra diperkecil menjadi 270x240 piksel. Mode warna citra
diubah menjadi grayscale sebagai input untuk proses ekstraksi fitur.
Ekstraksi fitur dengan Fuzzy Local Binary Pattern
Ekstraksi fitur menggunakan metode �� ��,� . Langkah pertama untuk
mendapatkan informasi tekstur dari suatu citra adalah dengan menentukan
operator LBP dan threshold FLBP. Setelah penentuan operator dan threshold,
citra akan dibagi ke dalam beberapa blok (local region) sesuai dengan operator
circular neighborhood (�, �) , yaitu sampling point (�) dan radius (�) yang
digunakan. Selanjutnya adalah proses scanning citra (convolution) menggunakan
local region untuk mendapatkan nilai LBP dari setiap local region. Nilai LBP
akan direpresentasikan melalui histogram FLBP. Histogram tersebut
menggambarkan frekuensi dari kontribusi nilai LBP yang muncul pada sebuah
citra. Operator LBP seperti ditunjukkan pada Tabel 1. Pada penelitian ini, operator
LBP yang digunakan adalah operator (8,2) dengan nilai threshold 4.
(�, �)
(8,1)
(8,2)

Tabel 1 Operator LBP
Ukuran blok (piksel) Kuantisasi sudut
(3 3)
450
(5 5)
450

Pembagian Data Latih dan Data Uji
Pada tahap ini, jumlah vektor data citra daun tumbuhan obat dibagi menjadi
2 bagian, yaitu data latih dan data uji. Data latih digunakan sebagai masukan
untuk pelatihan dengan metode k-means clustering, fuzzy c-means clustering, PSO
based k-means clustering dan PSO based fuzzy c-means clustering. Data uji
digunakan untuk menguji model hasil pelatihan. Pengujian bertujuan mengetahui
kemampuan dari masing-masing model dalam mengelompokkan data spesies
tumbuhan obat. Pengelompokkan data dilakukan dengan membagi komposisi
untuk data latih sebesar 80% dan data uji sebesar 20%. Dengan komposisi
tersebut, jumlah data untuk data latih adalah 38 citra dan jumlah data untuk data
uji adalah 10 citra.
Pembuatan Model
Pembuatan model clustering spesies tumbuhan obat dilakukan dengan 4
metode (k-means clustering, fuzzy c-means clustering, PSO based k-means
clustering dan PSO based fuzzy c-means clustering). Keempat metode ini
menggunakan data masukan vektor data citra spesies tumbuhan obat. Pembuatan
model clustering mengikuti algoritme k-means clustering, fuzzy c-means

16

clustering, PSO based k-means clustering dan PSO based fuzzy c-means
clustering.
Pengujian
Pengujian untuk model k-means clustering, fuzzy c-means clustering, PSO
based k-means clustering dan PSO based fuzzy c-means clustering dilakukan
dengan menggunakan metode pengukuran jarak Euclidean, dihitung dengan
Persamaan (7). Pengujian tersebut menggunakan data uji sebagai masukan untuk
setiap model yang telah diperoleh.
Evaluasi Model
Pengujian data dilakukan untuk menilai tingkat keberhasilan
pengelompokkan data citra uji oleh sistem. Evaluasi dari kinerja model clustering
didasarkan pada banyaknya data uji yang diprediksi secara benar oleh model.
Hasil perhitungan clustering data uji ditampilkan dalam tabel purity. Purity
merupakan salah satu teknik utama dalam mengukur kualitas anggota dari sebuah
cluster (Sripada 2011). Purity mengukur kebaikan suatu cluster dilihat dari
tingkat homogenitas anggota cluster yang didefinisikan pada Persamaan 16.
=
dengan
�
(� )

1
�

(16)

(� )

= jumlah anggota keseluruhan dari sebuah cluster
= jumlah anggota terbanyak dari sebuah cluster

Tabel purity diproses untuk mendapatkan nilai akurasi. Nilai akurasi
merupakan nilai perbandingan antara jumlah data yang berhasil diprediksi dengan
jumlah total data pengujian. Akurasi didefinisikan pada Persamaan 17.
=

100%

(17)

Evaluasi juga dilakukan dengan mengukur efisiensi waktu komputasi dari
masing-masing metode yang digunakan. Efisiensi waktu diukur berdasarkan total
running time dalam proses pengelompokkan spesies tumbuhan obat.

(
18)

4

HASIL DAN PEMBAHASAN
Hasil Praproses

Praproses dilakukan dengan tujuan mempercepat waktu pengolahan data
citra. Praproses data citra tumbuhan obat dilakukan dengan cara memperkecil
ukuran citra menjadi 270 240 dan mengubah mode warna citra menjadi
grayscale. Hasil dari praproses seperti pada Gambar 11.

Psidium guajava L.
Gambar 11 Hasil praproses citra tumbuhan obat
Ekstraksi Fitur FLBP

500
450
400
350
300
250
200
150
100
50
0

Histogram FLBP

0
7
14
21
28
35
42
49
56
63
70
77
84
91
98
105
112
119
126
133
140
147
154
161
168
175
182
189
196
203
210
217
224
231
238
245
252

Frekuensi

Citra grayscale hasil praproses digunakan sebagai masukan pada proses
ekstraksi FLBPP,R . Ekstraksi dilakukan menggunakan ukuran circular
neighborhood. Ciri FLBP yang dihasilkan, diekstrak menggunakan nilai threshold
FLBP fuzzifikasi (F) yaitu 4 dengan operator LBP (8.2).
Ekstraksi FLBP menghasilkan histogram frekuensi nilai LBP. Histogram
merupakan pertambahan kontribusi dari nilai LBP yang dihasilkan. Panjang bin
yang dihasilkan pada histogram FLBPP,R bergantung pada jumlah sampling points
(P) yang digunakan, yaitu 2P. Pada penelitian ini, jumlah P yang digunakan adalah
8 sehingga jumlah bin pada histogram FLBPP,R sebanyak 28 = 256 bin. Contoh
histogram Psidium guajava L ditunjukan pada Gambar 12.

Nilai LBP

Gambar 12 Histogram FLBP pada citra Psidium guajava L.
Hasil Percobaan
Metode k-means clustering, fuzzy c-means clustering, PSO based k-means
clustering dan PSO based fuzzy c-means clustering digunakan untuk
mengelompokkan spesies tumbuhan obat. Hasil pengelompokkan spesies

18

tumbuhan obat menggunakan keempat metode menghasilkan output berupa
kelompok cluster. Pengukuran kualitas clustering untuk masing-masing metode
menggunakan akurasi dan waktu komputasi.
Analisis Hasil Percobaan
Tahap pembuatan model untuk metode k-means clustering, fuzzy c-means
clustering, PSO based k-means clustering dan PSO based fuzzy c-means
clustering menggunakan data latih sebanyak 1.140 citra dan pengujian dengan
data uji sebanyak 300 citra. Proses pengelompokkan data menggunakan 30 pusat
cluster. Jumlah ini diperoleh berdasarkan spesies tumbuhan obat berjumlah 30.
Proses kerja metode k-means clustering dan fuzzy c-means clustering adalah
mengelompokkan citra sesuai dengan spesies tumbuhan obat. Metode PSO based
k-means clustering digunakan untuk mengoptimasi hasil pengelompokkan data
dari metode k-means clustering dan PSO based fuzzy c-means clustering
digunakan untuk mengoptimasi hasil pengelompokkan data dari metode fuzzy cmeans clustering. PSO based k-means clustering dan PSO based fuzzy c-means
clustering pada penelitian ini menggunakan parameter learning rate c1=1,49 dan
c2=1,49, nilai r1=0,5 dan r2=0,5, untuk bobot inertia(w)=0,72 dengan kecepatan
maksimum(Vmax)=2 (Omran et al. 2005).
Kesalahan identifikasi terlihat dari banyaknya citra yang dikelompokkan
kedalam spesies yang sama dan juga pada spesies yang berbeda. Hal ini
menunjukkan spesies tumbuhan obat mempunyai informasi tekstur daun yang
hampir sama. Pengaruh dari kesalahan identifikasi adalah nilai akurasi yang
diperoleh rendah.
Evaluasi hasil k-means clustering
Evaluasi model untuk metode k-means clustering menunjukkan jumlah citra
yang berhasil diidentifikasi sebanyak 125 citra. Jumlah citra yang teridentifikasi
diperoleh berdasarkan nilai purity. Penentuan cluster untuk setiap spesies citra
ditunjukan pada Tabel 2 dan Lampiran 2.
Tabel 2 Penentuan cluster k-means clustering
Spesies
Purity(Max)
Cluster

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 26 27 28 29 30
0.6 0.7 0.6 0.4 0.4 0.6 0.8 0.7 1 0.8 0.3 0.5 0.4 0.2 0.3 0.6 0.2 0.4 0.4 0.9 0.6 0.5 0.3 0.4 0.3 0.6 0.3 0.4 0.7 0.3
28 2 3 4 5 6 14 8 9 10 25 24 29 12 15 16 17 18 19 20 30 22 23 7 21 26 11 1 13 27

Perhitungan akurasi dapat dilihat sebagai berikut.
=

125
× 100% = 41,67%
300

Perbandingan akurasi untuk masing-masing spesies tumbuhan obat yang
teridentifikasi terlihat pada Gambar 13.

19

Gambar 13 Grafik perbandingan akurasi per spesies k-means clustering
Grafik pada Gambar 13 menunjukkan bahwa ada 28 spesies citra yang
mampu teridentifikasi. Spesies 9 (Kemangi) merupakan spesies yang berhasil
teridentifikasi dengan tingkat akurasi 100%. Contoh citra latih dan citra uji spesies
9 terlihat pada Gambar 14.

Data Latih

Data Uji

Gambar 14 Contoh citra latih dan citra uji spesies 9 (Kemangi)
Spesies 24 (Kumis Kucing) dan 25 (Kemuning) yang tidak teridentifikasi
dan menghasilkan akurasi 0%. Kesalahan identifikasi menyebabkan spesies 24
(Bidani) dikenali sebagai spesies 18 (Som Jawa). Hal ini menunjukkan spesies
tumbuhan obat tersebut mempunyai informasi tekstur daun (ciri) yang hampir
sama. Kesalahan identifikasi yang kedua adalah spesies 25 (Kemuning) dikenali
sebagai spesies 21 (Nanas Kerang). Informasi ciri dari kedua spesies tersebut
menunjukkan adanya kemiripan yang berdampak pada hasil akurasi yang
diperoleh rendah. Contoh citra kesalahan identifikasi spesies 24 dan 25 terlihat
pada Gambar 15.

Spesies 24

Spesies 18

Spesies 25

Spesies 21

Gambar 15 Kesalahan identifikasi spesies citra k-means clustering
Waktu komputasi yang diperoleh untuk pembuatan model k-means
clustering yaitu 291,3 detik.
Evaluasi hasil fuzzy c-means clustering
Evaluasi model untuk metode fuzzy c-means clustering menunjukkan jumlah
citra yang berhasil diidentifikasi sebanyak 150 citra. Jumlah citra yang
teridentifikasi diperoleh berdasarkan nilai purity. Penentuan cluster untuk setiap
spesies citra ditunjukan pada Tabel 3 dan Lampiran 3.

20

Tabel 3 Penentuan cluster fuzzy c-means clustering
Spesies
Purity (Max)
Cluster

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 26 27 28 29 30
0.4 1 0.6 0.3 0.5 0.9 0.8 0.8 0.9 0.7 0.3 0.4 0.5 0.2 0.4 0.6 0.2 0.6 0.6 0.9 0.4 0.4 0.4 0.3 0.1 0.6 0.4 0.7 0.9 0.5
1 2 3 4 5 6 7 8 9 10 11 21 12 13 15 16 17 18 19 20 30 22 23 24 25 26 14 28 29 27

Perhitungan akurasi dapat dilihat sebagai berikut.
=

150
× 100% = 50%
300

Perbandingan akurasi untuk masing-masing spesies tumbuhan obat yang
teridentifikasi terlihat pada Gambar 16.

Gambar 16 Grafik perbandingan akurasi per spesies fuzzy c-means clustering
Grafik pada Gambar 16 menunjukkan bahwa ada 28 spesies citra yang
mampu teridentifikasi. Spesies 2 (Jarak Pagar) merupakan spesies yang berhasil
teridentifikasi dengan tingkat akurasi 100%. Contoh citra latih dan citra uji spesies
2 terlihat pada Gambar 17.

Data Latih

Data Uji

Gambar 17 Contoh citra latih dan citra uji spesies 2 (Jarak Pagar)
Spesies 14 (Tabat Barito) dan 27 (Sambang Darah) tidak teridentifikasi dan
menghasilkan akurasi 0%. Kesalahan identifikasi menyebabkan spesies 14 (Tabat
Barito) dikenali sebagai spesies 2 (Jarak Pagar). Hal ini menunjukkan spesies
tumbuhan obat tersebut mempunyai informasi tekstur daun (ciri) yang hampir
sama. Kesalahan identifikasi yang kedua adalah spesies 27 (Sambang Darah)
dikenali sebagai spesies 30 (Handeleum). Informasi ciri dari kedua spesies
tersebut menunjukkan adanya kemiripan yang berdampak pada hasil akurasi yang
diperoleh rendah. Contoh citra kesalahan identifikasi spesies 14 dan 27 terlihat
pada Gambar 18.

21

Spesies 14

Spesies 2

Spesies 27

Spesies 30

Gambar 18 Kesalahan identifikasi spesies citra fuzzy c-means clustering
Waktu komputasi yang diperoleh untuk pembuatan model fuzzy c-means
clustering yaitu 59,65 detik.

Evaluasi hasil PSO based k-means clustering
Evaluasi model untuk metode PSO based k-means clustering menunjukkan
jumlah citra yang berhasil diidentifikasi sebanyak 144 citra. Jumlah citra yang
ter