Parameter fuzzifikasi F yang digunakan berdasarkan penelitian yang dilakukan Valerina 2012. Citra tumbuhan obat dan tanaman hias memiliki nilai parameter F
berbeda . Citra tanaman hias 0 sampai 40 dan untuk citra tumbuhan obat berkisar antara 0 sampai 20. Penggunaan parameter F0 sebagai hasil dari metode FLBP,
proses fuzzy tresholding akan dihasilkan nilai LBP sebanyak 2
n
, dimana n merupakan banyaknya nilai piksel
yang berada direntang fuzzy antara –F sampai F, contoh
proses fuzzy tresholding dengan nilai fuzzy 4 disajikan pada Gambar 9.
Gambar 9 Proses Fuzzy thresholding.
Hasil yang diperoleh dari ilustrasi pada Gambar 8 terdapat tiga nilai yang
berada diantara rentang fuzzy -4 4, sehingga diperoleh kombinasi sebanyak
2
3
= 8, nilai biner yang diperoleh dari masing-masing kombinasi adalah 00111111, 00111101, 00111011, 00111001, 00110111, 00110101, 00110011, dan 00110001.
Kedelapan nilai biner ini akan menghasilkan nilai LBP sebagai dasar untuk menentukan perhitungan masuknya nilai
ke membership function.
3.1.3 Klasifikasi Support Vector Machine SVM
61 137 168
168 163 168 163 165 160
-102 -26 5 5
5 2
-3 -102
-26 5
5 -3
2 5
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1
Setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk tumbuhan obat
diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan
SVM. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70 dan 30.
SVM pada penelitian ini menggunakan fungsi Kernel , yang berfungsi untuk mengatasi kesulitan yang timbul karena tidak diketahuinya suatu fungsi non linear
dan cara memilih fungsi yang tepat dalam mencari hyperplane yang terbaik. Fungsi kernel yang digunakan yaitu fungsi kernel Linear, Polynomial dan RBF. Fungsi
kernel terbaik akan digunakan sebagai pembanding dengan klasifikasi PNN, yang bertujuan untuk menganalisa model klasifikasi masing-masing klasifikasi tersebut.
Pada penggabungan ukuran circular neighborhood maupun tanpa penggabungan ukuran circular neighborhood harus diekstraksi terlebih dahulu. Hasil identifikasi
citra tumbuhan obat menggunakan FLBP akan dibandingkan dengan hasil identifikasi citra tanaman hias.
3.1.4 Klasifikasi Probabilistic Neural Network PNN
Sama seperti klasifikasi SVM, setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk
tumbuhan obat diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram
tersebut dengan PNN. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70 dan 30.
Klasifikasi dengan menggunakan PNN dengan menerapkan bias yang berbeda- beda untuk setiap ukuran circular neighborhood karena dimensi vektor histogram
setiap ukuran circular neighborhood berbeda-beda.
3.1.5 Pengujian dengan Sistem