Perbandingan Classifier untuk Identifikasi Citra Tanaman Hias

ABSTRACT
WIDOWATI, WINDY. Classifier Comparison for Ornamental Plant Image Identification. Under
the supervision of YENI HERDIYENI.
The use of an appropriate classification technique significantly determines the result of the
identification process. In this research, we perform comparison of classification techniques for the
identification of ornamental plants. The classification techniques used are Probabilistic Neural
Network (PNN), K-Nearest Neighbor (KNN), Naive Bayes (NB) and the combination of KNearest Neighbor and Naive Bayes. We use 300 images of ornamental plants, consisting of 30
different types of plants. Plant image features are extracted using texture extraction technique,
called Local Binary Pattern (LBP). The best performance was shown by the classification
technique using PNN, KNN, and the combination of KNN and NB, with an accuracy of 72.22%.
This result provides a promising prospect for an effective and efficient ornamental plants
identification system.
Keywords: classifier, k-nearest neighbor, naïve bayes, probabilistic neural network, local binary
pattern.

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara tropis yang
memiliki + 30.000 spesies tumbuh-tumbuhan
([Depkes] 2007). Tumbuh-tumbuhan tersebut
banyak yang dibudidayakan sebagai tanaman

hias.
Seiring
dengan
meningkatnya
pendapatan, kesejahteraan, serta daya beli
masyarakat, penikmat tanaman hias kini tidak
hanya para kolektor tanaman hias.
Masyarakat pada umumnya kini mempunyai
kegemaran baru yaitu memelihara tanaman
hias. Jumlah permintaan pasar yang tinggi,
membuat produksi tanaman hias meningkat
dari tahun 1997 hingga 2011 ([BPS] 2011).
Di samping jumlahnya yang terus meningkat,
produksi
tanaman
hias
juga
akan
menghasilkan
spesies

baru
akibat
persilangan. Hasil persilangan ini dapat
menyulitkan proses identifikasi. Dibutuhkan
botanis atau ahli tanaman hias untuk
melakukan identifikasi. Namun, proses
identifikasi secara manual memiliki beberapa
kekurangan, seperti dibutuhkan waktu yang
cukup lama. Hal ini menyebabkan kebutuhan
identifikasi tanaman hias secara otomatis
menjadi sangat penting.
Identifikasi tanaman hias secara otomatis
ditentukan berdasarkan penciri citra. Penciri
citra yang biasanya dipakai dalam temu
kembali citra adalah warna, bentuk, dan
tekstur (Rodrigues dan Araujo 2004).
Ekstraksi ciri tekstur pada citra tumbuhan
hias menggunakan metode Local Binary
Pattern (LBP) telah dilakukan oleh Kulsum
(2010). LBP yang digunakan adalah Rotation

Invariant Uniform Patterns
),
Rotation Invariant Variance Measure
) dan LBP Variance
).
Ukuran sampling point yang dapat
menghasilkan akurasi terbaik pada penelitian
tersebut adalah delapan buah, sedangkan
ukuran radiusnya adalah dua piksel.
Klasifikasi merupakan proses untuk
menentukan kelas hasil identifikasi citra.
Teknik klasifikasi sangat berpengaruh
terhadap hasil identifikasi. Citra hasil
ekstraksi akan dikelompokkan sesuai
kemiripan
atau
jaraknya
dengan
menggunakan teknik klasifikasi tertentu.
Nurafifah (2010) telah menggunakan teknik

klasifikasi Probabilistic Neural Network
(PNN) untuk identifikasi daun dengan
penggabungan morfologi, tekstur, dan
bentuk. Teknik PNN dengan penggabungan

fitur ini menghasilkan akurasi sebesar 83.3%.
Penelitian tentang klasifikasi citra tanaman
hias menggunakan PNN telah dilakukan oleh
Kulsum (2010).
Telah ditunjukkan pada sejumlah
penelitian
sebelumnya
bahwa
mengombinasikan classifier yang berbeda
pada dokumen dapat meningkatkan akurasi
klasifikasi (Larkey 1996 dan Giacinto 1997).
Teknik
klasifikasi
menggunakan
penggabungan K- Nearest Neighbour (KNN)

dan Naïve Bayes (NB) telah dikembangkan
untuk
mengklasifikasikan
dokumen
berbahasa Inggris dan menghasilkan tingkat
keakuratan 70% (Li dan Jain 1998).
Pada
penelitian
ini
dilakukan
perbandingan teknik klasifikasi PNN, KNN,
NB, serta penggabungan teknik klasifikasi
KNN+NB.
Tujuan Penelitian
Tujuan
penelitian
ini
adalah
membandingkan teknik klasifikasi KNN, NB,
KNN+NB, dan PNN untuk identifikasi citra

tanaman hias.
Ruang Lingkup Penelitian
Data citra yang digunakan pada penelitian
ini adalah citra tanaman hias yang berada di
Kebun Raya Bogor. Citra terdiri atas 30 jenis
tanaman hias. Tahap segmentasi tidak
dilakukan pada penelitian ini.

TINJAUAN PUSTAKA
Ekstraksi ciri
Ekstraksi ciri merupakan tahap mengubah
masukan ke dalam suatu bentuk baru
sehingga pengenalan pola akan lebih mudah
dilakukan (Bishop, 2006). Ciri merupakan
pendeksripsi suatu objek yang bebas
terhadap posisi, orientasi, dan ukuran. Ciri
tekstur merupakan pengulangan pola yang
ada pada suatu bagian citra (Acharya dan
Ray 2005).
Local Binary Pattern

Local Binary Pattern (LBP) telah
berhasil dikembangkan oleh Kulsum (2010)
untuk mendeskripsikan tekstur tumbuhan
hias dalam mode grayscale. LBP digunakan
untuk mencari pola-pola tekstur lokal pada
citra.
LBP pertama kali bekerja dengan delapan
ketetanggaan yang tersebar secara melingkar

1

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara tropis yang
memiliki + 30.000 spesies tumbuh-tumbuhan
([Depkes] 2007). Tumbuh-tumbuhan tersebut
banyak yang dibudidayakan sebagai tanaman
hias.
Seiring
dengan

meningkatnya
pendapatan, kesejahteraan, serta daya beli
masyarakat, penikmat tanaman hias kini tidak
hanya para kolektor tanaman hias.
Masyarakat pada umumnya kini mempunyai
kegemaran baru yaitu memelihara tanaman
hias. Jumlah permintaan pasar yang tinggi,
membuat produksi tanaman hias meningkat
dari tahun 1997 hingga 2011 ([BPS] 2011).
Di samping jumlahnya yang terus meningkat,
produksi
tanaman
hias
juga
akan
menghasilkan
spesies
baru
akibat
persilangan. Hasil persilangan ini dapat

menyulitkan proses identifikasi. Dibutuhkan
botanis atau ahli tanaman hias untuk
melakukan identifikasi. Namun, proses
identifikasi secara manual memiliki beberapa
kekurangan, seperti dibutuhkan waktu yang
cukup lama. Hal ini menyebabkan kebutuhan
identifikasi tanaman hias secara otomatis
menjadi sangat penting.
Identifikasi tanaman hias secara otomatis
ditentukan berdasarkan penciri citra. Penciri
citra yang biasanya dipakai dalam temu
kembali citra adalah warna, bentuk, dan
tekstur (Rodrigues dan Araujo 2004).
Ekstraksi ciri tekstur pada citra tumbuhan
hias menggunakan metode Local Binary
Pattern (LBP) telah dilakukan oleh Kulsum
(2010). LBP yang digunakan adalah Rotation
Invariant Uniform Patterns
),
Rotation Invariant Variance Measure

) dan LBP Variance
).
Ukuran sampling point yang dapat
menghasilkan akurasi terbaik pada penelitian
tersebut adalah delapan buah, sedangkan
ukuran radiusnya adalah dua piksel.
Klasifikasi merupakan proses untuk
menentukan kelas hasil identifikasi citra.
Teknik klasifikasi sangat berpengaruh
terhadap hasil identifikasi. Citra hasil
ekstraksi akan dikelompokkan sesuai
kemiripan
atau
jaraknya
dengan
menggunakan teknik klasifikasi tertentu.
Nurafifah (2010) telah menggunakan teknik
klasifikasi Probabilistic Neural Network
(PNN) untuk identifikasi daun dengan
penggabungan morfologi, tekstur, dan

bentuk. Teknik PNN dengan penggabungan

fitur ini menghasilkan akurasi sebesar 83.3%.
Penelitian tentang klasifikasi citra tanaman
hias menggunakan PNN telah dilakukan oleh
Kulsum (2010).
Telah ditunjukkan pada sejumlah
penelitian
sebelumnya
bahwa
mengombinasikan classifier yang berbeda
pada dokumen dapat meningkatkan akurasi
klasifikasi (Larkey 1996 dan Giacinto 1997).
Teknik
klasifikasi
menggunakan
penggabungan K- Nearest Neighbour (KNN)
dan Naïve Bayes (NB) telah dikembangkan
untuk
mengklasifikasikan
dokumen
berbahasa Inggris dan menghasilkan tingkat
keakuratan 70% (Li dan Jain 1998).
Pada
penelitian
ini
dilakukan
perbandingan teknik klasifikasi PNN, KNN,
NB, serta penggabungan teknik klasifikasi
KNN+NB.
Tujuan Penelitian
Tujuan
penelitian
ini
adalah
membandingkan teknik klasifikasi KNN, NB,
KNN+NB, dan PNN untuk identifikasi citra
tanaman hias.
Ruang Lingkup Penelitian
Data citra yang digunakan pada penelitian
ini adalah citra tanaman hias yang berada di
Kebun Raya Bogor. Citra terdiri atas 30 jenis
tanaman hias. Tahap segmentasi tidak
dilakukan pada penelitian ini.

TINJAUAN PUSTAKA
Ekstraksi ciri
Ekstraksi ciri merupakan tahap mengubah
masukan ke dalam suatu bentuk baru
sehingga pengenalan pola akan lebih mudah
dilakukan (Bishop, 2006). Ciri merupakan
pendeksripsi suatu objek yang bebas
terhadap posisi, orientasi, dan ukuran. Ciri
tekstur merupakan pengulangan pola yang
ada pada suatu bagian citra (Acharya dan
Ray 2005).
Local Binary Pattern
Local Binary Pattern (LBP) telah
berhasil dikembangkan oleh Kulsum (2010)
untuk mendeskripsikan tekstur tumbuhan
hias dalam mode grayscale. LBP digunakan
untuk mencari pola-pola tekstur lokal pada
citra.
LBP pertama kali bekerja dengan delapan
ketetanggaan yang tersebar secara melingkar

1

dengan pusat piksel berada di tengah. Nilai
LBP dihasilkan dengan mengalikan nilai
piksel yang telah melalui tahap pemotongan
dengan pembobotan biner sesuai posisi
piksel ketetanggaan berada.
Kode-kode
LBP
selanjutnya
direpresentasikan
melalui
histogram.
Histogram menunjukkan frekuensi kejadian
berbagai nilai LBP.
Ro ta tio n
Pa tt er n s

I nva ria nt
)

Un ifo rm

Operator LBP mengalami perkembangan
dengan
dimodelkannya
operator
menggunakan berbagai ukuran sampling
points dan radius. Beragamnya operator ini
digunakan untuk membuat skala atau ukuran
lokal tekstur yang berbeda-beda. Selanjutnya
notasi (P, R) akan digunakan untuk piksel
ketetanggaan dengan P merupakan sampling
points yang melingkar dan R merupakan
radius. Gambar 1 memperlihatkan contoh
circular neighborhood dengan operator (8,2).

Gambar 1 Circular neighborhood (8,2).
Operator (8,2) memiliki kuantisasi sudut
45 derajat (jarak antar sampling points 45
derajat). Kuantisasi sudut 45 derajat
merupakan kuantisasi sudut secara kasar
(crude quantization) bila dibandingkan
dengan sampling points 16 dan 24 yang
masing-masing mempunyai kuantisasi sudut
22.5 dan 15 derajat. Kuantisasi sudut 45
derajat mampu mengambil nilai piksel-piksel
ketetanggaan melingkar yang berbeda-beda
(discriminant) sehingga diperoleh pola-pola
LBP yang juga berbeda-beda. Bervariasinya
pola-pola LBP menjadi penciri yang baik
dalam ekstraksi tekstur (Kulsum, 2010).
Kemudian dibuat suatu cara agar pola
LBP tidak sensitif terhadap perubahan rotasi
(rotation invariant). Contoh:
LBP =
00001111 = 15 dapat direpresentasikan
dengan circular neighborhood pada Gambar
2.

Gambar 2 Rotation Invariant LBP.
Nilai dan pola-pola LBP pada Gambar 3
dapat berbeda-beda, tetapi memiliki struktur
rotasi yang sama. Setiap pola LBP akan

mempunyai pola yang berbeda jika dirotasi
searah jarum jam ataupun berlawanan arah
jarum jam (Pietikainen et al. 2006).
Pola-pola LBP tertentu
memiliki
karakteristik utama dari suatu tekstur. Polapola yang memiliki informasi penting ini
dinamakan
“uniform
patterns”.
LBP
dikatakan uniform jika struktur melingkar
pola-pola binernya paling banyak terdiri atas
dua transisi bit dari 0 ke 1 atau sebaliknya.
Uniform
patterns
berfungsi
untuk
mengidentifikasi noda (spot), flat area atau
dark spot, sudut, dan tepi. Hampir 90 persen
dari tekstur merupakan uniform patterns
(Mäenpää et al. 2002).

Spot

Spot/flat Line end

Edge

Corner

Gambar 3 Tekstur uniform patterns.
Penggabungan antara uniform patterns
dengan rotation invariant dilambangkan
. Notasi ri menunjukkan rotation
invariant dan u2 untuk uniform patterns pada
sampling points P dan radius R.
merupakan
ukuran
ketidaksensitifan
(invariant) terhadap perubahan grayscale dan
merupakan ukuran yang digunakan untuk
pola spasial.
Jika pola yang diidentifikasi termasuk
uniform patterns, akan dihitung banyaknya
bit satu pada pola tersebut yang menentukan
letak bin uniform patterns berada. Jika P,
banyaknya sampling points sama dengan
delapan, nilai
adalah nol sampai
dengan sembilan. Jika bukan uniform
patterns akan masuk ke dalam bin terakhir,
yaitu bin kesepuluah yang merupakan single
bin non uniform patterns (Mäenpää 2003).
Ro ta tio n
In va r ia n t
Va r ia nce
Mea su re (V AR)
VAR merupakan descriptor untuk
mengukur lokal kontras tekstur pada suatu
citra.
tidak mendefinisikan lokal
kontras tekstur dalam perhitungannya. VAR
tidak sensitif terhadap perubahan grayscale.
VAR
berhubungan
dengan
kondisi
pencahayaan suatu citra.
LB P Va ria nc e ( LB P V)
LBPV descriptor secara sederhana
menggabungkan distribusi informasi local
spatial pattern dan local contrast. Variance
berhubungan dengan fitur tekstur. Biasanya,

2

frekuensi tekstur region yang tinggi akan
mempunyai variance yang lebih tinggi dan
variance-variance
tersebut
lebih
berkontribusi terhadap perbedaan tekstur
suatu citra (Zhang et al. 2009). Oleh karena
itu, variance
dapat digunakan sebagai
bobot yang dapat beradaptasi untuk mengatur
kontribusi nilai LBP pada perhitungan
histogram.
Klasifikasi
Klasifikasi
yaitu
proses
untuk
menemukan sekumpulan model atau fungsi
yang mendeskripsikan dan membedakan
kelas-kelas
data dengan tujuan untuk
memprediksikan kelas dari objek yang belum
diketahui kelasnya (supervised learning)
dengan karakteristik tipe data yang bersifat
kategorik (Han dan Kamber 2001).

Berdasarkan teori Bayes, peluang citra
untuk masuk ke dalam kelas atau
ditujukkan pada persamaan (1) :
|

(1)

dengan
adalah peluang kemunculan
citra
di kelas , peluang ini dipengaruhi
oleh penciri yang muncul pada citra d,
sehingga
=
, yaitu peluang
kemunculan penciri pada citra kelas c,
adalah peluang awal suatu citra masuk kelas
, dan
adalah peluang awal kemunculan
citra .
Peluang awal kemunculan citra , yaitu
sama nilainya untuk seluruh kelas ,
sehingga dapat diabaikan. Ditunjukkan pada
persamaan (2) dan (3):
(2)

Proses klasifikasi dibagi menjadi dua fase,
yaitu pelatihan dan pengujian. Pada fase
pelatihan, sebagian data yang telah diketahui
kelas datanya (data pelatihan) digunakan
untuk membentuk model. Selanjutnya pada
fase pengujian, model yang sudah terbentuk
diuji dengan sebagian data lainnya untuk
mengetahui akurasi model tersebut. Jika
akurasinya mencukupi maka model tersebut
dapat dipakai untuk memprediksi kelas data
yang belum diketahui.

Kelas yang paling sesuai bagi citra
adalah kelas yang memiliki
atau nilai
posterior yang paling tinggi.

Naïve Bayes
Naïve
Bayes
merupakan
metode
klasifikasi dengan cara menghitung peluang
sebuah dokumen d berada di kelas c. Kelas
terbaik pada klasifikasi Naïve Bayes adalah
kelas yang paling mirip dengan data yang
ingin diklasifikasikan atau yang mempunyai
nilai posteriori tertinggi atau maximum a
posteriori (MAP) (Manning 2008).

K-Nearest Neighbor
K-tetangga terdekat atau K-nearest
neighbor
(KNN)
merupakan
metode
klasifikasi yang memasukkan data ke dalam
mayoritas kelas dari k tetangga terdekatnya
dengan k adalah sebuah parameter (Manning
2008). Parameter k dalam KNN seringkali
dipilih berdasarkan pada pengalaman atau
pengetahuan tentang masalah klasifikasi.

Peluang Bayes dapat digunakan untuk
menghitung peluang bersyarat, yaitu peluang
kejadian apabila suatu kejadian diketahui.
Metode ini dapat memprediksi kemungkinan
anggota suatu kelas berdasarkan sampel yang
berasal dari anggota kelas tersebut.
Klasifikasi Naïve Bayes termasuk dalam
model multinomial yang mengambil jumlah
penciri yang muncul pada sebuah citra. Pada
model ini sebuah citra terdiri dari atas
beberapa kejadian penciri. Berdasarkan
asumsi Bayes, kemungkinan setiap penciri
dalam setiap citra adalah bebas, tidak
terpengaruh dengan konteks penciri dan
posisi penciri dalam citra.

Metode KNN bekerja dengan berdasarkan
pada jarak terdekat antara data d dengan data
lainnya
untuk
menentukan
tetangga
terdekatnya. Setelah itu diambil mayoritas
kelas data yang merupakan tetangga terdekat
untuk menentukan kelas data d.

dengan,
dan

(3)

∑

merupakan banyaknya citra dalam kelas ,
adalah total citra,
adalah banyaknya
penciri dalam citra latih dari kelas .

Pembobotan juga bisa dilakukan pada
KNN dari kesamaan cosine. Skor kelas
dihitung pada persamaan (4).

∑

̅

̅

(4)

dengan
adalah sekumpulan dari k tetangga
terdekat dari data dan
bernilai 1 jika
dan hanya jika data d terdapat di kelas c dan

3

bernilai 0 jika sebaliknya. Data akan
dimasukkan ke kelas yang mempunyai skor
tertinggi. Ilustrasi teknik klasifikasi KNN
ditunjukkan pada Gambar 4.

Gambar 4 Ilustrasi teknik klasifikasi KNN.
Pada Gambar 4, diilustrasikan teknik
klasifikasi KNN. Terdapat tiga kelas, yaitu
dan
, serta
yang merupakan
vektor yang belum diketahui kelasnya.
Kemudian dipilih lima tetangga terdekat (K =
5). Setelah dipilih lima tetangga terdekat,
dihitung kelas terbanyak pada tetangga
terdekat tersebut. Pada Gambar 4 dapat
dilihat terdapat satu tetangga terdekat
yang berada pada kelas dan empat lainnya
berada pada kelas
Berdasarkan jumlah
kelas terbanyak pada tetangga terdekat, maka
berada pada kelas
Adaptive classifier combination
Adaptive classifier combination (ACC)
adalah
metode
klasifikasi
yang
menggabungkan metode naïve bayes dengan
KNN. ACC memasukkan data d ke dalam
kelas ci, dengan kelas yang akan dimasukkan
diidentifikasikan oleh classifier dengan local
accuracy tertinggi dari semua kelas yang ada
(Li dan Jain 1998).
Untuk sebuah data tes d yang akan
diklasifikasikan, dicari tetangga dari d,
data training
menggunakan metode k-nearest neighbor.
Kemudian ditunjukkan hasil klasifikasi
untuk data d oleh n classifier sebagai
̅
}. Setelah itu,
{
̅
̅
̅
̅ , dihitung:
untuk setiap kelas ̅
∑

∑

̅

̅

(5)

dengan
̅
̅ merupakan peluang xi
terdapat pada kelas c j dan Wi merupakan
ukuran kesamaan kosinus antara xi dan d.
Kemudian data d dimasukkan ke kelas ck,

dengan persamaan (6). Ilustrasi
teknik
klasifikasi KNN+NB ditunjukkan pada
Gambar 5.
(6)

Gambar

5

Ilustrasi teknik
KNN+NB.

klasifikasi

Gambar 5 merupakan ilustrasi teknik
KNN+NB. Hasil K tetangga terdekat pada
klasifikasi KNN, selanjutnya dihitung
peluang terhadap masing-masing kelas yang
terdapat pada K tetangga terdekat. Kelas
akhir vektor uji ditentukan oleh hasil peluang
vektor uji terhadap setiap kelas yang
tertinggi.
Pro b a b ili s ti c N eu ra l N e two rk
(PNN)
PNN dikembangkan oleh Donald Specht
pada tahun 1988. PNN merupakan jaringan
saraf tiruan yang menggunakan teorema
probabilitas klasik seperti pengklasifikasian
Bayes dan penduga kepekatan Parzen. Kernel
(fungsi pembobot) yang digunakan adalah
radial basis function (RBF). RBF adalah
fungsi yang berbentuk seperti bel yang
menskalakan variabel nonlinear (Wu et al.
2007). Salah satu tipe RBF adalah Gaussian.
Gaussian merupakan fungsi yang paling
umum digunakan, serta komputasinya
mudah.
Keuntungan
utama
menggunakan
arsitektur PNN adalah training data mudah
dan sangat cepat. Struktur jaringan PNN
ditunjukkan pada Gambar 6.
Struktur PNN ditunjukkan pada Gambar 6
yang terdiri atas empat lapisan yaitu :
1 Lapisan masukan merupakan objek ⃗
terdiri atas k nilai ciri yang akan
diklasifikasikan pada n kelas.
2 Lapisan pola (pattern layer), digunakan
satu node pola untuk setiap data pelatihan

฀
4

yang digunakan. Setiap node merupakan
selisih antara vektor masukan
yang akan
diklasifikasikan dengan vektor bobot
,
yaitu
,
kemudian dibagi
dengan bias tertentu σ dan selanjutnya
dimasukkan ke dalam fungsi radial basis,
yaitu
. Dengan demikian,
persamaan yang digunakan pada lapisan pola
adalah

Confusion matrix
Confusion matrix
merupakan sebuah
tabel yang terdiri atas banyaknya baris data
uji yang diprediksi benar dan tidak benar oleh
model
klasifikasi,
digunakan
untuk
menentukan kinerja suatu model klasifikasi
(Tan et al. 2005). Tabel 1 merupakan tabel
confussion matrix.
Perhitungan akurasi dengan menggunakan
tabel confusion matrix adalah:

(7)

Akurasi =

3 Lapisan penjumlahan (summation layer),
menerima masukan dari node lapisan pola
yang terkait dengan kelas yang ada.
Persamaan yang digunakan pada lapisan ini
adalah

Tabel 1 Confusion matrix
Assigned class
Class = 1
True
Class

(8)
dengan k merupakan dimensi vektor ciri, σ
merupakan bias dan t merupakan jumlah data
latih pada kelas tertentu.
4 Lapisan
keluaran
(output
layer),
menghasilkan keputusan input ⃗ masuk ke
dalam suatu kelas. Input ⃗ akan masuk kelas
Y jika nilai pY(x) paling besar dibandingkan
kelas yang lainnya.

(9)

Class = 0

Class = 1

F11

F10

Class = 0

F01

F00

F11 merupakan jumlah citra dari kelas 1
yang benar diklasifikasikan sebagai kelas 1.
F00 merupakan jumlah citra dari kelas 0 yang
benar diklasifikasikan sebagai kelas 0. F01
merupakan jumlah citra dari kelas 0 yang
salah diklasifikasikan sebagai kelas 1. F10
merupakan jumlah citra dari kelas 1 yang
salah diklasifikasikan sebagai kelas 0.

METODE PENELITIAN
Metode penelitian dapat dilihat pada
Gambar 7. Secara garis besar metode
penelitian terdiri atas pengumpulan citra
tanaman hias, praproses, ekstraksi ciri,
pembagian data latih dan data uji, klasifikasi
Naïve Bayes, KNN, penggabungan KNN dan
Naïve Bayes, PNN, dan terakhir pengujian.
Data Penelitian
Data penelitian merupakan kumpulan
citra tanaman hias yang berada di Kebun
Raya Bogor. Citra terdiri dari 30 jenis
tanaman hias. Citra ini diambil dengan
berbagai macam sudut yang berbeda.
Praproses

Gambar 6 Struktur PNN.

Sebelum masuk ke tahap ekstraksi ciri,
dilakukan praproses citra. Tahapan ini
dilakukan dengan mengubah mode warna
citra dari RGB (Red-Green-Blue) menjadi
mode grayscale. Tujuannya adalah mengubah
tiga layer matriks warna menjadi satu layer
matriks citra derajat keabuan (grayscale). Hal
ini diperlukan untuk mengolah citra
menggunakan fitur tekstur dengan LBP.

5

yang digunakan. Setiap node merupakan
selisih antara vektor masukan
yang akan
diklasifikasikan dengan vektor bobot
,
yaitu
,
kemudian dibagi
dengan bias tertentu σ dan selanjutnya
dimasukkan ke dalam fungsi radial basis,
yaitu
. Dengan demikian,
persamaan yang digunakan pada lapisan pola
adalah

Confusion matrix
Confusion matrix
merupakan sebuah
tabel yang terdiri atas banyaknya baris data
uji yang diprediksi benar dan tidak benar oleh
model
klasifikasi,
digunakan
untuk
menentukan kinerja suatu model klasifikasi
(Tan et al. 2005). Tabel 1 merupakan tabel
confussion matrix.
Perhitungan akurasi dengan menggunakan
tabel confusion matrix adalah:

(7)

Akurasi =

3 Lapisan penjumlahan (summation layer),
menerima masukan dari node lapisan pola
yang terkait dengan kelas yang ada.
Persamaan yang digunakan pada lapisan ini
adalah

Tabel 1 Confusion matrix
Assigned class
Class = 1
True
Class

(8)
dengan k merupakan dimensi vektor ciri, σ
merupakan bias dan t merupakan jumlah data
latih pada kelas tertentu.
4 Lapisan
keluaran
(output
layer),
menghasilkan keputusan input ⃗ masuk ke
dalam suatu kelas. Input ⃗ akan masuk kelas
Y jika nilai pY(x) paling besar dibandingkan
kelas yang lainnya.

(9)

Class = 0

Class = 1

F11

F10

Class = 0

F01

F00

F11 merupakan jumlah citra dari kelas 1
yang benar diklasifikasikan sebagai kelas 1.
F00 merupakan jumlah citra dari kelas 0 yang
benar diklasifikasikan sebagai kelas 0. F01
merupakan jumlah citra dari kelas 0 yang
salah diklasifikasikan sebagai kelas 1. F10
merupakan jumlah citra dari kelas 1 yang
salah diklasifikasikan sebagai kelas 0.

METODE PENELITIAN
Metode penelitian dapat dilihat pada
Gambar 7. Secara garis besar metode
penelitian terdiri atas pengumpulan citra
tanaman hias, praproses, ekstraksi ciri,
pembagian data latih dan data uji, klasifikasi
Naïve Bayes, KNN, penggabungan KNN dan
Naïve Bayes, PNN, dan terakhir pengujian.
Data Penelitian
Data penelitian merupakan kumpulan
citra tanaman hias yang berada di Kebun
Raya Bogor. Citra terdiri dari 30 jenis
tanaman hias. Citra ini diambil dengan
berbagai macam sudut yang berbeda.
Praproses

Gambar 6 Struktur PNN.

Sebelum masuk ke tahap ekstraksi ciri,
dilakukan praproses citra. Tahapan ini
dilakukan dengan mengubah mode warna
citra dari RGB (Red-Green-Blue) menjadi
mode grayscale. Tujuannya adalah mengubah
tiga layer matriks warna menjadi satu layer
matriks citra derajat keabuan (grayscale). Hal
ini diperlukan untuk mengolah citra
menggunakan fitur tekstur dengan LBP.

5

frekuensi nilai-nilai
dalam suatu
citra.
Selanjutnya
nilai
yang
telah
dikuantisasi
direpresentasikan
melalui
histogram. Histogram descriptor
memiliki 100 bin. Penentuan banyaknya bin
ini ditentukan dari distribusi nilai terbesar
setelah proses kuantisasi. Jumlah bin
yang sama pada setiap operator menandakan
bahwa informasi kontras tidak dipengaruhi
oleh ukuran sampling points maupun radius.

Citra Tanaman
Hias

Praproses

Ekstraksi Tekstur

Citra Latih

Citra Uji

Klasifikasi
(NB, KNN,
KNN+NB, PNN)

Model Klasifikasi

Ekstraksi Tekstur
Hasil
Identifikasi
Citra

c. Ekstraksi tekstur dengan
Ekstraksi tekstur dengan
menggunakan nilai-nilai
dan nilainilai
. Dalam penelitian ini, ukuran
sampling points dan radius
dan
adalah
sama.
Histogram
memiliki
bin dengan
merupakan banyaknya sampling points yang
digunakan.
Proses Klasifikasi

Citra Kueri

Gambar 7 Metode penelitian identifikasi citra
menggunakan
KNN,
NB,
penggabungan KNN dan NB, serta
PNN.
Ekstraksi Ciri Tekstur
Ekstraksi tekstur dilakukan terhadap citra
tanaman hias secara utuh. Ekstraksi ini
dilakukan menggunakan LBPV, LBPP,Rriu2
dan VAR. Setelah citra diubah ke mode
warna grayscale, citra dibagi ke dalam
beberapa blok (local region) dengan operator
(8,2). Hasil dari pengolahan setiap blok
menghasilkan pola LBP.
a. Ekstraksi tekstur dengan
Histogram
menghasilkan
bin dengan
merupakan banyaknya
sampling points yang digunakan. Bin pertama
sampai dengan
merupakan bin uniform
patterns, sedangkan bin terakhir (
)
merupakan single bin untuk nonuniform
patterns.
b. Ekstraksi tekstur dengan
Nilai
yang dihasilkan merupakan
nilai kontinu yang harus dikuantisasi.
Pengkuantisasian
dilakukan
dengan
mengelompokkan nilai-nilai
dalam
rentang kelipatan 100 yang ditentukan
berdasarkan distribusi nilai
. Hal ini
dilakukan untuk mempermudah perhitungan

Klasifikasi
dilakukan
dengan
menggunakan teknik klasifikasi NB, KNN,
penggabungan teknik KNN+Bayes, dan
PNN. Tahap awal klasifikasi dilakukan
pembagian seluruh data hasil ekstraksi
menjadi data latih dan data uji. Data latih
digunakan sebagai masukan pelatihan teknik
klasifikasi sedangkan data uji digunakan
untuk menguji model hasil pelatihan.
Penelitian ini dilakukan pembagian data latih
dan data uji, yaitu 70% : 30%.
Pertama, dilakukan klasifikasi dengan
menggunakan teknik klasifikasi Naïve Bayes
melalui persamaan (1). Hasil ekstraksi ciri
citra menghasilkan bin-bin yang memiliki
frekuensi. Bin-bin inilah yang dianalogikan
sebagai kata dalam klasifikasi teks. Setiap bin
hasil ekstraksi ciri citra pada data latih akan
dihitung peluang pada suatu kelas. Frekuensi
dan bin-bin merupakan representasi citra.
Peluang kepemilikan suatu kelas yang
maksimum merupakan hasil akhir dari
klasifikasi Naïve Bayes.
Pada klasifikasi menggunakan teknik
KNN, hasil ekstraksi citra membentuk
vektor-vektor penciri. Vektor penciri pada
setiap data uji akan dihitung jaraknya
terhadap vektor penciri pada data latih
menggunakan persamaan cosine similiarity.
Kemudian dipilih sejumlah tetangga terdekat
(K) yang memiliki kemiripan yang tinggi,
yaitu hasil sejumlah K yang menghasilkan
cosine similiarity tertinggi. Kemudian

6

dihitung kelas terbanyak pada tetangga
terdekat tersebut. Kelas yang terbanyak
dipilih sebagai hasil kelas pada data uji.
Kemudian
dilakukan
klasifikasi
menggunakan
penggabungan
teknik
klasifikasi yaitu KNN dan NB. Pada
penggabungan klasifikasi ini, pertama
dilakukan
klasifikasi
KNN
dengan
menggunakan persamaan cosine similiarity.
Dipilih K tertangga terdekat sebagai akurasi
lokal tertinggi dari semua kelas yang ada.
Data uji yang akan diklasifikasikan,
dilakukan dengan mencari tetangga dari d,
data latih
menggunakan metode k-nearest neighbor.
Kemudian ditunjukkan hasil klasifikasi untuk
̅
data d oleh n classifier sebagai
}. Setelah itu,
{
̅
̅
̅
̅ , dihitung dengan
untuk setiap kelas ̅
menggunakan persamaan (5), di mana
̅
̅ merupakan peluang xi terdapat
pada kelas c j dan Wi merupakan ukuran
kesamaan kosinus antara xi dan d. Kemudian
data d dimasukkan ke kelas ck, melalui
persamaan (6). Kemudian dipilih kelas yang
memiliki
peluang terbesar.
฀

akurasi dari keempat teknik
tersebut juga akan dibandingkan.

klasifikasi

Li ng ku ng a n P eng e mb a ng a n
Spesifikasi perangkat keras dan perangkat
lunak yang digunakan untuk penelitian ini
adalah sebagai berikut :
Perangkat keras
 Processor Intel(R) Pentium(R) M 2.1 GHz
 DDR1 RAM 1.21 GB
 Harddisk 80 GB
Perangkat lunak
 Windows 7
 Microsoft Visual Studio 2008
 Open CV 2.1.

HASIL DAN PEMBAHASAN
H a si l P ra p ro s e s
Tahap praproses dilakukan sebelum
melakukan proses ekstraksi. Ukuran citra
tanaman hias yang digunakan adalah
270x210 piksel. Mode warna RGB (RedGreen-Blue) pada citra diubah menjadi
grayscale. Hasil praproses citra tanaman hias
ditunjukkan pada Gambar 8.

Pada klasifikasi PNN, arsitektur PNN
memiliki
lapisan
masukan,
pola,
penjumlahan, dan keputusan. Lapisan
masukkan berupa vektor hasil ekstraksi
tekstur dari citra tanaman hias. Pada lapisan
pola, dihitung jarak vektor pelatihan ke
vektor pengujian dan menghasilkan vektor
yang mengindikasikan kedekatan input ke
vektor pelatihan. Pada lapisan penjumlahan,
setiap keluaran dari lapisan pola akan
dijumlahkan dengan keluaran dari lapisan
pola lainnya yang berada dalam satu kelas
untuk menghasilkan probabilitas vektor
keluaran. Pada lapisan keputusan akan
diambil nilai maksimum dari vektor keluaran,
kemudian menghasilkan nilai satu untuk
kelas tersebut dan nilai nol untuk kelas
lainnya.

Hasil praproses citra digunakan pada
proses ekstraksi. Ekstaksi tekstur yang
digunakan adalah
, dan
Operator yang digunakan adalah operator
(8,2).

Evaluasi Hasil Klasifikasi
Pada tahap evaluasi dilakukan penilaian
kinerja sistem dengan melakukan pengukuran
persentase ketepatan dalam klasifikasi
menggunakan confusion matrix.

Hasil
ekstraksi
dengan
direpresentasikan dengan histogram. Hasil
ekstraksi
,
, dan
pada
tanaman hias Bromelia kirkii ditunjukkan
pada Gambar 9.

Gambar 8 Praproses citra Bromelia kirkii.
H a si l E ks tra ks i Te ks tu r

Hasil akurasi dari teknik KNN, NB,
KNN+NB, serta PNN pada masing-masing
kelas akan dihitung. Kemudian dilihat kelas
yang memiliki akurasi tertinggi dan terendah.
Tingkat akurasi dari empat percobaan
pembagian data latih dan data uji serta tingkat

7

dihitung kelas terbanyak pada tetangga
terdekat tersebut. Kelas yang terbanyak
dipilih sebagai hasil kelas pada data uji.
Kemudian
dilakukan
klasifikasi
menggunakan
penggabungan
teknik
klasifikasi yaitu KNN dan NB. Pada
penggabungan klasifikasi ini, pertama
dilakukan
klasifikasi
KNN
dengan
menggunakan persamaan cosine similiarity.
Dipilih K tertangga terdekat sebagai akurasi
lokal tertinggi dari semua kelas yang ada.
Data uji yang akan diklasifikasikan,
dilakukan dengan mencari tetangga dari d,
data latih
menggunakan metode k-nearest neighbor.
Kemudian ditunjukkan hasil klasifikasi untuk
̅
data d oleh n classifier sebagai
}. Setelah itu,
{
̅
̅
̅
̅ , dihitung dengan
untuk setiap kelas ̅
menggunakan persamaan (5), di mana
̅
̅ merupakan peluang xi terdapat
pada kelas c j dan Wi merupakan ukuran
kesamaan kosinus antara xi dan d. Kemudian
data d dimasukkan ke kelas ck, melalui
persamaan (6). Kemudian dipilih kelas yang
memiliki
peluang terbesar.
฀

akurasi dari keempat teknik
tersebut juga akan dibandingkan.

klasifikasi

Li ng ku ng a n P eng e mb a ng a n
Spesifikasi perangkat keras dan perangkat
lunak yang digunakan untuk penelitian ini
adalah sebagai berikut :
Perangkat keras
 Processor Intel(R) Pentium(R) M 2.1 GHz
 DDR1 RAM 1.21 GB
 Harddisk 80 GB
Perangkat lunak
 Windows 7
 Microsoft Visual Studio 2008
 Open CV 2.1.

HASIL DAN PEMBAHASAN
H a si l P ra p ro s e s
Tahap praproses dilakukan sebelum
melakukan proses ekstraksi. Ukuran citra
tanaman hias yang digunakan adalah
270x210 piksel. Mode warna RGB (RedGreen-Blue) pada citra diubah menjadi
grayscale. Hasil praproses citra tanaman hias
ditunjukkan pada Gambar 8.

Pada klasifikasi PNN, arsitektur PNN
memiliki
lapisan
masukan,
pola,
penjumlahan, dan keputusan. Lapisan
masukkan berupa vektor hasil ekstraksi
tekstur dari citra tanaman hias. Pada lapisan
pola, dihitung jarak vektor pelatihan ke
vektor pengujian dan menghasilkan vektor
yang mengindikasikan kedekatan input ke
vektor pelatihan. Pada lapisan penjumlahan,
setiap keluaran dari lapisan pola akan
dijumlahkan dengan keluaran dari lapisan
pola lainnya yang berada dalam satu kelas
untuk menghasilkan probabilitas vektor
keluaran. Pada lapisan keputusan akan
diambil nilai maksimum dari vektor keluaran,
kemudian menghasilkan nilai satu untuk
kelas tersebut dan nilai nol untuk kelas
lainnya.

Hasil praproses citra digunakan pada
proses ekstraksi. Ekstaksi tekstur yang
digunakan adalah
, dan
Operator yang digunakan adalah operator
(8,2).

Evaluasi Hasil Klasifikasi
Pada tahap evaluasi dilakukan penilaian
kinerja sistem dengan melakukan pengukuran
persentase ketepatan dalam klasifikasi
menggunakan confusion matrix.

Hasil
ekstraksi
dengan
direpresentasikan dengan histogram. Hasil
ekstraksi
,
, dan
pada
tanaman hias Bromelia kirkii ditunjukkan
pada Gambar 9.

Gambar 8 Praproses citra Bromelia kirkii.
H a si l E ks tra ks i Te ks tu r

Hasil akurasi dari teknik KNN, NB,
KNN+NB, serta PNN pada masing-masing
kelas akan dihitung. Kemudian dilihat kelas
yang memiliki akurasi tertinggi dan terendah.
Tingkat akurasi dari empat percobaan
pembagian data latih dan data uji serta tingkat

7

histogram.
bekerja pada perubahan
pencahayaan
(illumination)
yang
mengakibatkan perbedaan kontras pada
tekstur suatu citra. Histogram yang dihasilkan
mendeskripsikan
kontras
suatu
citra.
Histogram pada Gambar 9 menunjukkan citra
Bromelia kirkii memiliki kontras yang
rendah. Hal ini dapat diamati dari banyaknya
frekuensi tinggi pada bin-bin awal.

(a)

Pada Gambar 9 (c) merupakan hasil
ekstraksi
dengan
.
Ekstraksi
menghasilkan histogram dengan pola
yang menyerupai
karena
memiliki rentang nilai
yang
mengacu kepada nilai
di posisi
region yang sama.
K la s ifi ka si C itra Ta na ma n H ia s
Hasil ekstraksi tekstur citra tanaman hias
menghasilkan vektor-vektor histogram citra
tanaman hias. Vektor-vektor ini menjadi
masukan untuk tahap klasifkasi.

(b)

Persentase data latih dan data uji yang
digunakan pada penelitian ini adalah 70% :
30%.
K la s ifi ka si Na ïve Ba ye s
Hasil klasifikasi menggunakan metode
Naïve Bayes dapat dilihat pada Gambar 10.

Akurasi

Akurasi Naive Bayes
100%
80%
60%
40%
20%
0%

(c)

45,56%
Riu2(8,2)

60%
3,33%
Var(8,2)

LBPV(8,2)

Fitur LBP

Gambar 9

Histogram hasil ekstrasi
(a)
, (b)
,
(c)
descriptor citra
tanaman hias Bromelia kirkii.

Pada Gambar 9 (a), nilai vertikal pada
histogram menunjukkan frekuensi sedangkan
nilai horizontal menunjukkan nilai bin pada
. Jumlah bin
dengan
operator (8,2) ada 10 bin. Bin 0-9
merepresentasikan nilai uniform pattern dan
bin terakhir yaitu 10 merupakan non uniform
pattern.
Hasil ekstraksi dengan
ditunjukkan
pada Gambar 9 (b). Nilai
satu sampai
dengan 100 direpresentasikan dengan 100 bin

Gambar 10

Grafik perbandingan akurasi
teknik
klasifikasi
Naïve
Bayes pada tiga fitur.

Akurasi tertinggi ditunjukkan pada fitur
, yaitu 60%. Akurasi terendah
terdapat pada fitur
, yaitu 3.33%.
Akurasi perkelas ditunjukkan pada Gambar
11.
Akurasi
terbaik
pada
ekstraksi
terdapat pada kelas 17, 18, 19, 20,
dan 29. Akurasi terendah terdapat pada kelas
7, 8, 12, 15, 16, 24, 25, dan 28.

8

Akurasi terbaik pada ekstraksi
terdapat pada kelas 9, 11, 12, 15, 17, 21, 22,
dan 27. Akurasi terendah terdapat pada kelas
13, 14, 23, 24, 25, 26, dan 30.

Akurasi

Akurasi fitur LBPriu2 pada setiap kelas (%)
100
90
80
70
60
50
40
30
20
10
0
1

3

5

7

9 11 13 15 17 19 21 23 25 27 29
Kelas

(a)

untuk setiap citra kueri hampir sama.
Kesamaan sebaran bin pada setiap citra
menyebabkan
sangat
berpengaruhnya
frekuensi pada setiap bin. Kelas 9 memiliki
frekuensi yang tinggi untuk setiap bin,
sehingga terjadi dominasi. Oleh karena itu,
rata-rata seluruh citra uji masuk ke kelas 9.
Citra yang berhasil dikenali dengan baik
pada masing-masing fitur dapat dilihat pada
Gambar
12.
Kelas
hasil
ekstraksi
menggunakan
merupakan citra yang
memiliki tekstur unik yaitu citra yang
kemiripan teksturnya cukup jauh berbeda
dengan kelas citra lain. Kelas hasil ekstraksi
menggunakan
merupakan citra yang
memiliki tingkat kontras yang sangat tinggi.
Kelas hasil ekstraksi menggunakan
merupakan citra yang bertekstur dan
memiliki tingkat kontras yang sangat tinggi.

Akurasi fitur LBPVar pada setiap kelas
(%)
100
Akurasi

80
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Kelas

(a)

(b)
Akurasi LBPV pada setiap kelas (%)
100

Akurasi

80
60
40
20
0

(b)

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Kelas

(c)
Gambar 11 Grafik akurasi fitur (a)
(b),
, dan (c)

,
.

Sebaran bin hasil ekstraksi pada semua
citra pada setiap kelas memiliki sebaran yang
serupa sehingga peluang pada setiap bin
memiliki peluang yang hampir sama. Citra
kueri yang diidentifikasi juga memiliki
sebaran bin yang mirip sehingga peluang

(c)
Gambar 12 Citra pada kelas yang memiliki
akurasi terbaik pada fitur (a)
(b)
, dan (c)
.

9

K la s ifi ka si K N N

Akurasi KNN

Akurasi teknik KNN dengan satu tetangga
terdekat pada setiap fitur ditunjukkan pada
Tabel 2. Ekstraksi fitur menggunakan
menghasilkan akurasi sebesar
63.33%, sedangkan fitur
mampu
menghasilkan akurasi sebesar 64.40%.
Terakhir, ekstraksi fitur menggunakan
menghasilkan akurasi sebesar
72.22%.

Akurasi

K=5

K=7

K=9

K=11

0%
Riu2(8,2)

Var(8,2)

LBPV(8,2)

Fitur LBP

Gambar 13 Grafik perbandingan akurasi
menggunakan teknik klasifikasi
KNN pada tiga fitur.
Fitur LBPV
Klasifikasi KNN (K = 1)

Akurasi (%)

Berdasarkan grafik dapat dilihat, semakin
banyak tetangga (K) maka tingkat akurasinya
semakin berkurang. Hal ini dipengaruhi oleh
sebaran vektor uji dan vektor latih hasil
ekstraksi. Pada tetangga terdekat K = 1 sudah
cukup mencirikan kemiripan vektor, namun
semakin banyak jumlah tetangga kemiripan
tersebut semakin kabur.

K=3

50%

100
80
60
40
20
0
1

3 5

7

9 11 13 15 17 19 21 23 25 27 29
Kelas

(a)
Fitur LBPVar
Klasifikasi KNN (K = 1)

Akurasi

Nilai K yang dipilih adalah 1, 3, 5, 7, 9,
dan 11. Hasil klasifikasi menggunakan
metode KNN dapat dilihat pada Gambar 13.
Hasil akurasi tertinggi ditunjukkan pada
jumlah tetangga terdekat satu (K=1).
Ditunjukkan pada Gambar 13 bahwa semakin
besar jumlah tetangga terdekat (K) pada
ketiga fitur maka akurasi semakin berkurang.
Jumlah tetangga terdekat satu merupakan
model klasifikasi paling baik. Rata-rata
akurasi terbaik didapatkan pada fitur
. Akurasi terbaik yaitu sebesar
72.22%. Akurasi ini didapatkan pada fitur
menggunakan teknik klasifikasi
KNN dengan satu tetangga terdekat (K = 1).

K=1
100%

100
80
60
40
20
0
1

3

5

7

9 11 13 15 17 19 21 23 25 27 29
Kelas

Selanjutnya ditunjukkan akurasi perkelas
pada fitur yang memiliki akurasi tertinggi,
yaitu
. Pada Gambar 14 ditunjukkan
akurasi dari setiap kelas untuk fitur
menggunakan klasifikasi KNN dengan satu
tetangga terdekat (K=1).

(b)
Fitur LBPV
Klasifikasi KNN (K = 1)
100

Fitur Ekstraksi

Akurasi

80
Akurasi

Tabel 2 Akurasi KNN (K=1)

60
40
20
0

63.33%

1

3

5

7

9 11 13 15 17 19 21 23 25 27 29
Kelas

64.40%
72.22%

(c)
Gambar 14 Grafik perbandingan akurasi
setiap kelas pada fitur (a)
(b)
, dan (c)
.

10

K la s ifi ka si K N N + NB

Fitur LBPriu
KNN
80%
60%
40%
20%
0%
K=1

K=3

K=3

K=5

K=7

K=5

K=7

K=9

K=11

K - tetangga terdekat

(a)
Fitur LBPvar

Hasil Akurasi KNN+NB
K=1

KNN+NB

100%
Akurasi

Akurasi teknik klasifikasi KNN+NB pada
citra tanaman hias dapat dilihat pada Gambar
15. Hasil akurasi tertinggi ditunjukkan pada
jumlah tetangga terdekat satu (K=1). Akurasi
, dan
tertinggi untuk fitur
ditunjukkan pada satu tetangga
terdekat (K = 1). Akurasi tertinggi dihasilkan
pada fitur ekstraksi ciri
dengan
menggunakan klasifikasi KNN pada satu
tetangga terdekat (K = 1). Akurasinya sebesar
72.22%.

K=9

80%

90%

60%

Akurasi

100%

80%

KNN

100%

K=11

KNN+NB

40%

70%
20%
Akurasi

60%
0%

50%

K=1

K=3

40%

K=5

K=7

K=9

K=11

K - tetangga terdekat

30%
20%
10%

(b)

0%
Riu2(8,2)

Var(8,2)

LBPV(8,2)

Fitur LBP

Perbandingan akurasi teknik klasifikasi
KNN+NB ditunjukkan pada Gambar 16.
Pada Gambar 16, untuk K = 1, hasil
KNN+NB sama dengan KNN. Hal ini
dikarenakan saat tetangga terdekat berjumlah
satu (K = 1), perhitungan NB pada metode
KNN+NB akan menghitung kepemilikan satu
tetangga terdekat yang sudah pasti berada
pada kelas yang sama dengan tetangga
tersebut.
Hasil akurasi penggabungan metode
KNN+NB sangat dipengaruhi oleh hasil
metode pertama yang digunakan, yaitu KNN.
Penambahan metode NB pada metode KNN,
rata-rata dapat meningkatkan akurasi untuk
jumlah tetangga lebih dari satu. Namun, hasil
ini tidak melebihi akurasi metode KNN untuk
K = 1. Penggabungan metode ini mampu
meningkatkan akurasi metode NB.

KNN

100%

KNN+NB

80%
Akurasi

Gambar 15 Grafik perbandingan tiga fitur
LBP pada K berbeda dengan
teknik klasifikasi KNN+NB.

Fitur LBPV

60%
40%
20%
0%
K=1

K=3

K=5

K=7

K=9

K=11

K- tetangga terdekat

(c)
Gambar 16

Grafik perbandingan akurasi
KNN dan KNN+NB untuk
fitur (a)
(b)
,
dan (c)
.

K la s ifi ka si PN N
Akurasi
teknik
klasifikasi
PNN
ditunjukkan pada Gambar 17. Fitur
menghasilkan tingkat akurasi tertinggi
dibandingkan fitur
dan
.

11

LBPriu2
Klasifikasi PNN

67,78%

Riu2(8,2)

66,67%

72,22%

Var(8,2)

LBPV(8,2)

100
80
60
40
20
0
Akurasi (%)

Akurasi

Hasil Akurasi PNN
100%
80%
60%
40%
20%
0%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Fitur LBP

Kelas

Perbandingan akurasi teknik
klasifikasi PNN pada tiga
fitur LBP.

Citra uji kelas 2, 3, 4, dan 7 selalu
memiliki akurasi tinggi ditunjukkan pada
Gambar 18 (a). Citra uji kelas 26 selalu
memiliki akurasi rendah pada ketiga fitur
ditunjukkan pada Gambar 18 (b). Citra uji ini
tidak dapat teridentifikasi dengan baik.
Penyebabnya, citra kelas ini memiliki latar
yang kompleks, sehingga terjadi kesalahan
identifikasi.

LBPVar
Klasifikasi PNN
100
80
60
40
20
0
Akurasi (%)

Perbandingan
akurasi
perkelas
menggunakan teknik klasifikasi PNN pada
fitur
,
dan
ditunjukkan pada Gambar 19. Pada fitur
dihasilkan akurasi terbaik oleh kelas
2, 3, 4, 7, 17, 18, 19, 20, 21, dan 22. Ekstraksi
fitur menggunakan
memberikan
akurasi terbaik pada kelas 1, 2, 3, 4, 7, 8, 9,
10, 11, 12, 17, 27, dan 29. Terakhir, kelas
yang dapat menghasilkan akurasi terbaik
pada ekstraksi fitur
adalah kelas
kelas 1, 2, 3, 4, 7, 8, 9, 10, 11, 12, 17, 27, dan
29.

(a)

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Kelas

(b)
LBPV
Klasifikasi PNN
100
80
60
40
20
0

Akurasi (%)

Gambar 17

1

3

5

7

9 11 13 15 17 19 21 23 25 27 29
Kelas

(c)

(a)

Gambar 19 Perbandingan akurasi perkelas
menggunakan teknik klasifikasi
PNN
pada
fitur
(a)
(b)
, dan (c)
.
Per ba n di ng a n
a ku ra si
me to d e
PNN, K NN, Na ïv e B a y es, da n
K NN + NB

(b)
Gambar 18 Citra uji (a) kelas akurasi
tertinggi dan (b) kelas akurasi
terendah (Asplenium nidus).

Perbandingan akurasi teknik NB, KNN,
KNN+NB, dan PNN untuk fitur
, dan
ditunjukkan pada
Gambar 20. Akurasi perkelas pada teknik
klasifikasi PNN, KNN, KNN+NB, dan NB
ditunjukkan pada Gambar 21.

12

Akurasi (%)

Perbandingan Akurasi LBPriu
100,00
90,00
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00

63,33

63,33

KNN

KNN+NB

67,78

45,56

NB

tekstur spasial lokal yang memainkan
peranan penting pada texture discrimination,
sehingga
rotation invariant (tidak
sensitif terhadap posisi dan orientasi) dan
tahan terhadap perubahan pencahayaan. Hasil
ekstraksi
mampu menjadi penciri
tekstur terbaik dibandingkan
dan
.

PNN

Fitur LBPV
Klasifikasi PNN

Teknik Klasifikasi

(a)

Akurasi (%)

Perbandingan Akurasi LBPvar
100,00
90,00
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00

60,00

64,40

64,40

Akurasi (%)

100

50

66,67

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Kelas

(a)
NB

KNN

KNN+NB

PNN

Fitur LBPV
Klasifikasi KNN (K = 1)

Teknik Klasifikasi

(b)

100,00
90,00
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00

72,22

72,22

50

0

72,22

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Kelas

(b)
3,33
NB

KNN

KNN+NB

Fitur LBPV
Klasifikasi KNN+NB (K = 1)

PNN

Teknik Klasifikasi

(c)

100
Akurasi

Akurasi (%)

Perbandingan Akurasi LBPV

Akurasi

100

50

Secara umum teknik klasifikasi PNN
memberikan akurasi yang baik. Teknik
klasifikasi PNN dapat memberikan akurasi
tertinggi untuk fitur
dan
,
serta akurasi yang sama untuk fitur
.
Pada teknik klasifikasi PNN terdapat lapisanlapisan yang dilatih untuk mengenali pola,
sehingga terjadi generalisasi dari karakterkarakter
yang
dikombinasikan
untuk
mendapat peluang tertinggi.
Pada fitur
, teknik klasfikasi
KNN, KNN+NB, dan PNN memberikan
akurasi yang sama, yaitu 72.22%. Fitur ini
menghasilkan akurasi tertinggi. Ekstraksi
fitur pada
melengkapi pola-pola

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Kelas

(c)

100
Akurasi

Gambar 20 Grafik perbandingan keempat
teknik klasifikasi menggunakan
fitur (a)
(b)
,
dan (c)
.

Fitur LBPV
Klasifikasi Naive Bayes

50

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Kelas

Gambar 21 Perbandingan akurasi perkelas
fitur LBPV teknik klasifikasi
(a) PNN, (b) KNN, (c)
KNN+NB, (d) Naïve Bayes.

13

Teknik klasifikasi KNN dan PNN
memberikan akurasi yang sama, yaitu
72.22%. Kelas yang memiliki akurasi
tertinggi pada teknik klasifikasi KNN adalah
kelas 4, 5, 6, 7, 11, 12, 14, 17, 18, 19, dan 25.
Kelas yang memiliki akurasi tertinggi pada
teknik klasifikasi PNN adalah kelas 1, 2, 3, 4,
7, 8, 9, 10, 11, 12, 17, 27, dan 29.
Kelas yang selalu memiliki akurasi
terbaik pada klasifikasi PNN, KNN, dan
KNN+NB adalah kelas 4, 7, 11, 12, dan 17.
Citra pada kelas ini memiliki tekstur dan
kontras yang berbeda pada kelas-kelas
lainnya sehingga tidak salah teridentifikasi ke
dalam kelas lain. Di sisi lain, kelas yang
selalu memiliki akurasi terendah terdapat
pada kelas 23. Kelas ini memiliki latar citra
yang kompleks dan kemiripan yang tinggi
dengan kelas 22 dan 20. Citra kelas dengan
akurasi tinggi dan rendah dapat dilihat pada
Gambar 22.

KESIMPULAN DAN SARAN
K es i mp u la n
Penelitian ini melakukan perbandingan
classifier untuk identifikasi tanaman hias
berdasarkan ciri tekstur. Metode ekstraksi ciri
tekstur yang digunakan adalah
, dan
dengan probabilistic
neural network (PNN), K-nearest neighbor
(KNN),
Naïve
Bayes
(NB),
serta
penggabungan metode klasifikasi KNN+NB
sebagai metode klasifikasi.
Teknik klasifikasi PNN memberikan
akurasi
tertinggi
untuk
fitur
dan
.
Secara
umum,
ekstraksi fitur
mampu memberikan
tingkat akurasi tertinggi. Akurasi sebesar
72.22% ini dihasilkan pada teknik klasifikasi
KNN, KNN+NB, dan PNN.
Penggabungan metode KNN+NB mampu
meningkatkan akurasi metode klasifikasi.
Penggabungan metode KNN+NB sangat
dipengaruhi hasil klasifikasi KNN. Pada
jumlah tetangga terdekat (K) lebih dari satu,
rata-rata teknik klasifikasi KNN+NB dapat
meningkatkan akurasi KNN.
Sa ra n

(a)

Database citra tanaman hias yang
digunakan pada penelitian ini terbatas
sebaiknya diperbanyak. Ekstraksi ciri dengan
penggabungan operator atau fuzzy LBP dapat
dilakukan. Untuk penelitian selanjutnya,
dapat digunakan teknik klasifikasi Multilayer
Perceptron Neural Network.

DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing
Principles and Applications. New Jersey :
John Willey & Sons, Inc.
Bishop, CM. 2006. Pattern Recognition and
Machine Learning. New York : Springer.
[BPS] Badan Pusat Statistik. 2011. Produksi
Tanaman
Hias
di
Indonesia.
www.bps.go.id [3 Agustus 2011].
(b)
Gambar 22 Citra dengan akurasi tinggi (a)
kelas 4, 7, 11, 12, dan 17, dan
citra dengan akurasi rendah (b)
kelas 23 teridentifikasi ke kelas
22 dan 20.

[Depkes] Departemen Kesehatan Republik
Indonesia.
2007.
Keputusan
No.381/Menkes/SK/III/2007
tentang
Kebijakan Obat Tradisional Nasional
(KOTRANAS). Jakarta: Departemen
Kesehatan Republik Indonesia.

14

Teknik klasifikasi KNN dan PNN
memberikan akurasi yang sama, yaitu
72.22%. Kelas yang memiliki akurasi
tertinggi pada teknik klasifikasi KNN adalah
kelas 4, 5, 6, 7, 11, 12, 14, 17, 18, 19, dan 25.
Kelas yang memiliki akurasi tertinggi pada
teknik klasifikasi PNN adalah kelas 1, 2, 3, 4,
7, 8, 9, 10, 11, 12, 17, 27, dan 29.
Kelas yang selalu memiliki akurasi
terbaik pada klasifikasi PNN, KNN, dan
KNN+NB adalah kelas 4, 7, 11, 12, dan 17.
Citra pada kelas ini memiliki tekstur dan
kontras yang berbeda pada kelas-kelas
lainnya sehingga tidak salah teridentifikasi ke
dalam kelas lain. Di sisi lain, kelas yang
selalu memiliki akurasi terendah terdapat
pada kelas 23. Kelas ini memiliki latar citra
yang kompleks dan kemiripan yang tinggi
dengan kelas 22 dan 20. Citra kelas dengan
akurasi tinggi dan rendah dapat dilihat pada
Gambar 22.

KESIMPULAN DAN SARAN
K es i mp u la n
Penelitian ini melakukan perbandingan
classifier untuk identifikasi tanaman hias
berdasarkan ciri tekstur. Metode ekstraksi ciri
tekstur yang digunakan adalah
, dan
dengan probabilistic
neural network (PNN), K-nearest neighbor
(KNN),
Naïve
Bayes
(NB),
serta
penggabungan metode klasifikasi KNN+NB
sebagai metode klasifikasi.
Teknik klasifikasi PNN memberikan
akurasi
tertinggi
untuk
fitur
dan
.
Secara
umum,
ekstraksi fitur
mampu memberikan
tingkat akurasi tertinggi. Akurasi sebesar
72.22% ini dihasilkan pada teknik klasifikasi
KNN, KNN+NB, dan PNN.
Penggabungan metode KNN+NB mampu
meningkatkan akurasi metode klasifikasi.
Penggabungan metode KNN+NB sangat
dipengaruhi hasil klasifikasi KNN. Pada
jumlah tetangga terdekat (K) lebih dari satu,
rata-rata teknik klasifikasi KNN+NB dapat
meningkatkan akurasi KNN.
Sa ra n

(a)

Database citra tanaman hias yang
digunakan pada penelitian ini terbatas
sebaiknya diperbanyak. Ekstraksi ciri dengan
penggabungan operator atau fuzzy LBP dapat
dilakukan. Untuk penelitian selanjutnya,
dapat digunakan teknik klasifikasi Multilayer
Perceptron Neural Network.

DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing
Principles and Applications. New Jersey :
John Willey & Sons, Inc.
Bishop, CM. 2006. Pattern Recognition and
Machine Learning. New York : Springer.
[BPS] Badan Pusat Statistik. 2011. Produksi
Tanaman
Hias
di
Indonesia.
www.bps.go.id [3 Agustus 2011]