Ekstraksi Bentuk Geometri Daun Tumbuhan Obat Berbasis Kontur Citra.
EKSTRAKSI BENTUK GEOMETRI DAUN TUMBUHAN OBAT
BERBASIS KONTUR CITRA
DICKY IQBAL LUBIS
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKLA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Ekstraksi Bentuk
Geometri Daun Tumbuhan Obat Berbasis Kontur 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 skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2015
Dicky Iqbal Lubis
NIM G64110079
ABSTRAK
DICKY IQBAL LUBIS. Ekstraksi Bentuk Geometri Daun Tumbuhan Obat
Berbasis Kontur Citra. Dibimbing oleh YENI HERDIYENI
Tumbuhan obat dapat diidentifikasi dengan mengekstraksi bentuk geometri
daun. Penelitian ini menerapkan metode baru dalam ekstraksi ciri daun berbasiskan
geometri kontur. Metode geometri dalam penelitian ini digunakan untuk
menentukan landmark kontur daun berdasarkan kelengkungannya. Dengan
perhitungan geometri, ciri citra diekstraksi pada landmark yang telah dideteksi.
Data penelitian ini berupa citra daun dalam enam kelas bentuk daun tumbuhan obat,
yaitu lanceolate, ovate, obovate, reniform, cordate, dan deltoid. Metode ini telah
berhasil mengekstraksi enam ciri pada landmark kontur daun, yaitu jarak landmark
terhadap titik pusat, posisi landmark terhadap titik awal kontur, kelengkungan,
perubahan sudut, kemiringan, dan fungsi polinom kontur. Ukuran kemiripan
diterapkan dalam menentukan prediksi bentuk daun. Hasil percobaan menunjukkan
nilai akurasi total semua ciri sebesar 72.22%. Hasil ekstraksi kelengkungan
memiliki akurasi terbaik yaitu sebesar 70.83%. Dengan menggunakan fungsi
polinom dari ciri posisi dan kelengkungan landmark, kontur daun dapat
direpresentasikan dengan baik. Penelitian ini menunjukkan representasi geometri
dengan nilai kelengkungan dapat membedakan bentuk daun tumbuhan obat.
Kata Kunci: bentuk geometri, kontur, landmark, tumbuhan obat
ABSTRACT
DICKY IQBAL LUBIS. Geometrical Shape Extraction of Medicinal Plant Leaf
based on Image Contour. Supervised by YENI HERDIYENI
Medicinal plants can be identified by extracting the geometrical leaf shape.
This research proposes a new model of geometrical-based shape extraction of
medicinal plant leaf. In this research, geometrical method was implemented to
determine landmark of contour based on curvature representation. The data used
are leaf image in six class leaf shape of medicinal plant from several locations of
Indonesian medicinal plant cultivations, i.e lanceolate, ovate, obovate, reniform,
cordate, and deltoid. This method has been successfully detect landmark of leaf
contour with six features: landmark distance from centroid, landmark position,
curvature, angle alteration, slope, and polynomial function coeficient. A similarity
measurement is applied to calculate the prediction of leaf shape. The experimental
results show that the best accuracy achieved is 72.22% with the best accuracy
feature for curvilinear 70.83%. By using polynomial function from landmark
position and curvilinear features, leaf contour can be represented well. This study
shows that geometrical model of leaf contour using curvature representation can be
used to differentiate the leaf shape of medicinal plants
Keywords: contour, geometrical shape, landmark, medicinal plant
EKSTRAKSI CITRA DAUN TUMBUHAN OBAT
BERBASIS GEOMETRI KONTUR DAUN
DICKY IQBAL LUBIS
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKLA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Judul Skripsi : Ekstraksi Bentuk Geometri Daun Tumbuhan Obat Berbasis Kontur
Citra
Nama
: Dicky Iqbal Lubis
NIM
: G64110079
Disetujui oleh
Dr Yeni Herdiyeni, SSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MKom MSi
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan November 2014 ini ialah
pemrosesan citra digital dengan judul Ekstraski Bentuk Geometri Daun Tumbuhan
Obat Berbasis Kontur Citra.
Penulis menyampaikan terima kasih yang sebesar-besarnya kepada:
1 Ibunda tercinta serta seluruh keluarga atas segala doa, motivasi, dan kasih
sayangnya.
2 Ibu Dr Yeni Herdiyeni, SSi MKom selaku dosen pembimbing dalam penelitian
ini.
3 Prof. Stéphane Douady dari Universitas Paris Diderot atas kerja sama penelitian
yang telah terjalin sejak 2012 hingga saat ini.
4 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom dan Bapak Muhammad Asyhar
Agmalaro, SSi MKom selaku dosen penguji.
5 Seluruh anggota lab Computational Intelligence, Departemen Ilmu Komputer
IPB atas kerja sama dan bantuannya dalam pengambilan dan pengolahan data
penelitian ini.
6 Keluarga besar Bidik Misi IPB yang telah memberikan dukungan dalam
menunjang proses perkuliahan selama di IPB.
7 Semua sahabat ilkomerz 48 atas segala semangat, kebersamaan, dan motivasi
kepada penulis.
8 Keluarga Pondok ASAD yang senantiasa memberikan semangat dan nasehat
dalam penyelesaian penelitian ini.
9 Seluruh pihak yang turut membantu dalam penelitian ini baik secara langsung
maupun tidak.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan karya
ilmiah ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2015
Dicky Iqbal Lubis
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
ix
PENDAHULUAN
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
Tumbuhan Obat
2
Biometrik Daun
3
Citra Daun
3
Kontur
4
Geometri Kontur
4
METODE
Data Penelitian
5
Praproses Citra
5
Deteksi Tepian Citra
6
Penentuan Titik Pusat
6
Ekstraksi kelengkungan titik
10
Penentuan Landmark Kontur
12
Ekstraksi Landmark Kontur
13
Analisis Citra dan Evaluasi
15
Lingkungan Pengembangan
15
HASIL DAN PEMBAHASAN
Praproses Citra
16
Penentuan Titik Pusat
16
Penentuan Landmark
17
Ekstraksi Ciri Kontur
20
Ekstraksi Fungsi Polinom Kontur
26
SIMPULAN DAN SARAN
Simpulan
28
Saran
28
DAFTAR PUSTAKA
28
LAMPIRAN
30
RIWAYAT HIDUP
33
DAFTAR TABEL
1 Data perubahan kelengkungan kontur menuju landmark
2 Hasil pendeteksian landmark untuk beberapa data daun
3 Confusion matrix perhitungan kemiripan 6 kelas bentuk daun
4 Koefisien fungsi polinom data ovate
18
19
25
26
DAFTAR GAMBAR
1 Bentuk-bentuk daun menurut Harlow dan Harrar (1969)
2 Tahapan metode penelitian
3 (a) Citra daun berwarna, (b) Citra daun grayscale hasil praproses citra
(c) Tepi terluar daun (kontur daun)
4 Penentuan titik pusat citra dengan garis pembagi luas
5 Penentuan pusat massa citra dengan mempertimbangkan titik pusat
massa masing-masing bagian citra menurut sumbu x dan sumbu y
6 Penentuan titik pusat lingkaran terkecil dengan update jarak terjauh
kontur terhadap titik pusat
7 Representasi perhitungan nilai posisi kontur
8 Representasi perhitungan nilai kelengkungan titik kontur
9 (a) Kontur cekung dan (b) Kontur cembung
10 Visualisasi deteksi landmark kontur
11 Sebaran nilai kelengkungan titik kontur di sekitar landmark
12 (a) Citra berwarna, (b) Citra grayscale, (c) Citra biner (d) Hasil deteksi
tepi dengan operator Canny, dan (e) Hasil inversi nilai biner
13 Hasil deteksi titik pusat citra
14 Pendeteksian landmark kontur
15 Daun yang dijadikan templat data dengan kriteria hasil deteksi
landmark baik secara visual
16 Histogram visualisasi ciri jarak landmark untuk masing-masing bentuk
daun
17 Histogram ciri posisi landmark
18 Histogram ciri kelengkungan landmark
19 Histogram ciri perubahan sudut landmark
20 Histogram ciri kemiringan landmark
21 Penggabungan kelima ciri untuk masing-masing bentuk daun
22 Daun dari tiga kelas bentuk dengan apex yang mirip sering mengalami
kesalahan prediksi
23 Hampiran fungsi polinom untuk sebaran data posisi terhadap
kelengkungan kontur (data ovate)
24 Grafik koefisien fungsi polinom masing-masing kelas bentuk daun
25 Data citra kelas bentuk lanceolate
4
5
6
7
8
9
10
11
12
13
14
16
17
18
20
21
22
23
23
24
25
26
26
27
28
PENDAHULUAN
Latar Belakang
Indonesia memiliki kekayaan hayati yang melimpah hampir di seluruh
wilayahnya. Dari sejumlah tumbuhan yang hidup di wilayah Indonesia, ada banyak
tumbuhan yang mengandung senyawa kimia yang dapat dimanfaatkan sebagai obat
seperti: alkaloid, sterol, flavonoid, saponin, glikosida, tanin, dan resin (Motaleb
2011). Zuhud (2010) mengatakan bahwa sampai tahun 2001 Laboratorium
Konservasi Tumbuhan, Fakultas Kehutanan IPB mencatat jumlah tumbuhan obat
di Indonesia tidak kurang dari 2039 spesies. Akan tetapi, hanya sedikit tumbuhan
obat yang sudah dibudidayakan. Hal ini terkait dengan belum dikenalnya jenis
tumbuhan obat karena sulitnya membedakan jenis-jenis tumbuhan obat yang ada.
Identifikasi tumbuhan dapat dilakukan berdasarkan ciri biometriknya. Nix
(2014) menjelaskan bahwa biometrik daun secara umum dibagi dalam beberapa
basis, yaitu basis bentuk daun (shape), susunan daun (arrangement), penampang
tepi daun (margin), dan venasi daun (vein). Kondisi biometrik ini masih sulit
diketahui dan proses identifikasinya hanya mudah dilakukan oleh seorang pakar
(Pahalawatta 2008). Dalam upaya mempermudah identifikasi jenis tumbuhan obat,
telah dibuat berbagai sistem identifikasi. Akan tetapi, sistem yang ada masih perlu
dikembangkan.
Ada beberapa metode yang dipakai dalam representasi bentuk suatu citra
secara umum, yaitu point linking, complex coordinate, tangent angle, contour
curvature, serta triangle-area representation (Yang et al. 2010). Metode point
linking menentukan kontur citra dengan Moore’s Algorithm. Algoritme ini
menelusuri tepian dari piksel kontur yang diketahui kemudian mencari piksel
kontur yang adjacent sampai ditemukan kondisi berhenti (Tejada et al. 2009).
Dalam studi kasus citra daun, Mouine et al. (2013) memakai metode ekstraksi
geometri multiscale-triangular representation dalam mengklasifikasikan bentuk.
Metode ini mengenali bentuk-bentuk triangular dari beberapa titik yang
membentuk segitiga khusus. Pada tahun yang sama, Chih-Ying dan Chia-Hung
(2013) melakukan penelitian dengan mengambil beberapa titik kunci dari tepian
citra daun untuk diekstraksi dan dikenali cirinya.
Penelitian ini dilakukan untuk mengembangkan metode identifikasi bentuk
daun dengan mengekstraksi ciri geometri daun berbasis kontur. Metode geometri
kontur dalam penelitian ini akan menentukan beberapa fitur penciri citra daun pada
landmark seperti posisi landmark, kelengkungan landmark, perubahan sudut
landmark, jarak landmark, dan kemiringan landmark.
Perumusan Masalah
Berdasarkan latar belakang di atas, maka masalah-masalah yang menjadi
bahasan dalam penelitian adalah:
1 Bagaimana merepresentasikan kontur daun secara geometri untuk sistem
identifikasi bentuk daun tumbuhan obat?
2 Bagaimana penerapan algoritme berbasis geometri kontur untuk ekstraksi ciri
daun tumbuhan berdasarkan bentuk geometri?
2
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Menentukan landmark kontur citra daun tumbuhan obat dengan metode
geometri kontur.
2 Mengekstraksi ciri geometri daun tumbuhan obat seperti posisi, kelengkungan,
perubahan sudut, kemiringan, jarak, dan fungsi polinom berdasarkan landmark
kontur citra.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu proses identifikasi bentuk
tumbuhan obat berdasarkan bentuk geometri tepian daun.
Ruang Lingkup Penelitian
1
2
3
4
Ruang lingkup penelitian ini adalah:
Data yang digunakan adalah citra daun tumbuhan obat Indonesia dari beberapa
lokasi pembudidayaan. Data citra daun ini diambil dengan kamera digital dan
scanner.
Data yang digunakan berupa citra daun tunggal berukuran 256×256 pixel
dengan posisi vertikal dan latar belakang putih.
Penelitian dilakukan fokus pada pengolahan geometri terluar dari bentuk daun
tumbuhan obat.
Daun tumbuhan obat yang dipakai terdiri atas enam kelas bentuk daun, yaitu
lanceolate, ovate, obovate, reniform, cordate, dan deltoid.
TINJAUAN PUSTAKA
Tumbuhan Obat
Setiap tumbuhan memiliki kandungan senyawa kimia yang berbeda-beda.
Kandungan kimia ini ada yang bersifat toxic atau racun dan banyak pula yang
memiliki kandungan senyawa kimia yang bermanfaat. Tumbuhan yang
mengandung bahan-bahan terapi atau memiliki manfaat pengobatan bagi tubuh
manusia secara umum digolongkan sebagai tanaman obat (Motaleb 2011). Suatu
jenis tumbuhan obat dapat memiliki satu atau lebih senyawa yang bermanfaat bagi
kesehatan. Senyawa-senyawa yang ada pada tumbuhan obat antara lain: alkaloid,
sterol, flavonoid, saponin, glikosida, tanin, dan resin (Motaleb 2011).
Baik secara tradisional maupun dengan teknologi modern, tumbuhan obat
telah banyak diolah menjadi suplemen kesehatan dan obat dalam menyembuhkan
penyakit. Pada tahun 2011, World Health Organization (WHO) menyatakan bahwa
sekitar 80% penduduk dunia tergantung pada sebagian tumbuhan obat sebagai
bahan utama pemelihara kesehatan mereka. Lebih lanjut lagi, Motaleb (2011)
mengatakan bahwa permintaan dan pemanfaatan tumbuhan obat saat ini semakin
meningkat.
3
Indonesia adalah salah satu negara dengan kekayaan hayati tumbuhan obat.
Sampai dengan tahun 2001 Laboratorium Konservasi Tumbuhan, Fakultas
Kehutanan IPB mencatat jumlah tumbuhan obat di Indonesia tidak kurang dari 2039
spesies (Zuhud 2010). Namun demikian, hanya sedikit tumbuhan obat yang sudah
dibudidayakan karena kurangnya pengetahuan masyarakat. Identifikasi tumbuhan
obat hanya mudah dilakukan oleh seorang ahli tumbuhan. Oleh karena itu,
teknologi pemrosesan citra digital dalam identifikasi tumbuhan obat sangat
dibutuhkan.
Biometrik Daun
Tumbuhan memiliki beberapa kemiripan dan perbedaan antara satu dengan
yang lainnya dalam hal sifat dan bentuk. Pada dasarnya tumbuhan dapat
diidentifikasi menurut ciri morfologinya seperti buah dan bunganya. Beberapa
morfologi yang mencirikan suatu tumbuhan satu dengan yang lainnya terkadang
hanya dapat diketahui oleh seorang pakar saja, seperti: struktur reproduksi organ,
warna, bentuk dan ukuran daun. Beberapa morfolgi penciri ini memiliki peran
penting dalam suatu identifikasi tumbuhan (Pahalawatta 2008). Morfologi tubuh
tumbuhan yang dapat dijadikan sebagai pengidentifikasi disebut dengan biometrik
tumbuhan. Biometrik tumbuhan dapat diamati dari segi bentuk daun, susunan daun,
penampang tepi daun, dan venasi daun (Nix 2014). Bentuk daun adalah salah satu
ciri yang paling penting dalam identifikasi tumbuhan (Chih-Ying dan Chia-Hung
2013).
Salah satu ciri yang sering digunakan dalam identifikasi jenis tumbuhan
adalah bentuk daun. Berdasarkan bentuk daun, Harlow dan Harrar (1952)
mengklasifikasikan daun ke dalam 16 kelas berbeda. Klasifikasi bentuk daun ini
didasarkan pada keunikan perbandingan panjang dan lebar daun serta perbedaan
bentuk keliling daun. Gambar 1 adalah penggolongan jenis-jenis bentuk daun yang
terdapat di alam. Smithsonian Institution (1999) menjelaskan pembagian bentukbentuk daun dapat dianalisis berdasarkan beberapa aspek geometri seperti
perbedaan posisi axis (lebar terbesar daun), perbedaan base (pangkal daun), dan
perbedaan apex (ujung daun).
Citra Daun
Sebuah citra digital didefinisikan sebagai bidang diskret dua dimensi yang
berasal dari citra analog a(x,y) dalam bidang dua dimensi kontinyu melalui proses
sampling yang sering dikenal dengan proses digitisasi (Young et al. 1998).
Digitisasi sendiri merupakan sebuah proses untuk mengubah suatu nilai ke dalam
bentuk digital. Citra hasil perekaman yang memiliki nilai kontinyu diubah menjadi
citra dengan nilai digital. Jadi sebuah citra digital merupakan representasi digital
suatu objek yang telah diambil dengan beberapa teknik perekaman citra seperti
perekaman citra menggunakan sebuah kamera digital. Dengan definisi citra
menurut Young et al. (1998), dapat diketahui bahwa citra daun adalah representasi
digital suatu daun tumbuhan dengan teknik perekaman citra. Citra daun dapat
berupa citra daun tunggal (satu daun dalam satu citra) atau berupa citra daun
majemuk (beberapa daun dalam satu citra).
4
Gambar 1 Bentuk-bentuk daun menurut Harlow dan Harrar
(1969)
Kontur
Kontur adalah keliling atau tepian terluar dari suatu objek dalam citra digital.
Sejak identifikasi tepian objek citra menjadi masalah krusial dalam analisis citra,
ekstraksi kontur menjadi hal yang paling penting dilakukan dalam identifikasi suatu
citra (Tejada et al. 2009). Manusia dapat mengidentifikasi dengan mudah berbagai
macam objek hanya dengan mengamati bentuk tepiannya (Chih-Ying dan ChiaHung 2013).
Representasi kontur suatu citra dapat dilakukan dengan dua macam
pendekatan, yaitu representasi secara konvensional dan secara struktural. Dalam
perhitungannya, representasi konvensional tetap memperhitungkan bentuk
keseluruhan objek. Sedangkan, representasi secara struktural membagi keseluruhan
kontur ke dalam beberapa segmen untuk dianalisis (Chih-Ying dan Chia-Hung
2013).
Geometri Kontur
Suatu kontur memiliki berbagai parameter seperti pusat massa, pusat luas,
convexity, rectangularity, dan circularity. Dari parameter ini, citra dapat dianalisis
secara geometri, salah satunya adalah analisis geometri berbasis fungsi satu dimensi.
Metode geometri yang termasuk dalam basis fungsi satu dimensi antara lain:
koordinat kompleks, fungsi jarak titik pusat, sudut tangen, dan fungsi kelengkungan
(Yang et al. 2010).
5
METODE
Secara garis besar, metode yang digunakan dalam penelitian ini adalah
pengumpulan data citra daun tumbuhan obat, praproses citra, deteksi tepian (edge)
citra daun, penentuan landmark tepian citra daun, ekstraksi citra, serta identifikasi
citra. Tahapan metode ini dapat dilihat pada Gambar 2.
Mulai
Citradaun
dauntumbuhan
tumbuhan
Citra
obat
obat
Praproses
citra
Ekstraksi geometri
landmark
Penentuan titik landmark
kontur daun
Analisis
Evaluasi
Selesai
Deteksi
tepian citra
Array
kontur citra
Perhitungan kelengkungan
kontur citra daun
Penentuan titik pusat citra,
dan titik pusat lingkaran
citra
Gambar 2 Tahapan metode penelitian
Data Penelitian
Data yang digunakan dalam penelitian ini adalah data citra daun tumbuhan
obat. Objek data citra ini berupa tumbuhan obat yang diambil oleh tim riset
Computer Vision IPB di beberapa lokasi pembudidayaan tumbuhan obat Indonesia
seperti Kebun Raya Cibodas, areal kebun Biofarmaka Cikabayan dan rumah kaca
Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fakultas
Kehutanan IPB. Data yang dipakai terdiri atas enam kelas bentuk daun, yaitu
lanceolate, ovate, obovate, reniform, cordate, dan deltoid.
Praproses Citra
Tahap praproses citra dilakukan dengan mempersiapkan citra daun sebelum
masuk dalam teknik pengolahan ekstraksi citra. Praproses dimulai dengan
melakukan pengubahan latar belakang citra daun menjadi latar belakang putih.
Selanjutnya dilakukan restorasi citra dengan tujuan mendapatkan kualitas citra yang
baik sebelum dilakukan tahapan analisis lebih lanjut (Acharya dan Ray 2005).
6
Dalam tahapan ini juga dilakukan proses penyesuaian posisi citra. Citra daun
diposisikan secara vertikal yaitu setiap citra diatur dengan posisi pangkal daun
berada di sebelah bawah sementara posisi ujung daun berada di sebelah atas citra.
Citra daun setelah melalui tahap praproses citra adalah citra daun dengan
pengaturan intensitas grayscale dengan skala tertentu.
Deteksi Tepian Citra
Hasil dari tahapan praproses citra adalah citra daun dengan kualitas yang
sesuai untuk diolah dalam tahapan berikutnya. Tahapan yang selanjutnya dilakukan
yaitu proses deteksi tepi citra. Deteksi tepi citra merupakan proses untuk
menghasilkan tepi-tepi dari objek citra sehingga dapat diketahui bagian yang
menjadi detil citra. Suatu titik a(x,y) dikatakan sebagai tepian (edge) dari citra
apabila mempunyai perbedaan intensitas yang tinggi terhadap titik tetangganya.
Tepi daun akan dideteksi karena merupakan titik-titik dengan perbedaan intensitas
warna yang mencolok terhadap warna latar belakang yang telah diatur menjadi
warna putih. Representasi tepi daun dapat dilihat pada Gambar 3.
Gambar 3 (a) Citra daun berwarna, (b) Citra daun grayscale hasil praproses citra
(c) Tepi terluar daun (kontur daun)
Ada beberapa metode yang dapat dipakai dalam proses deteksi tepi. Secara
garis besar deteksi tepi ini dapat berdasarkan nilai turunan pertama ataupun
berdasarkan nilai turunan kedua. Beberapa operator deteksi tepi berdasarkan nilai
turunan pertama di antaranya adalah operator Robert, operator Prewitt, operator
Sobel, operator Canny, dan operator Crisch (Acharya dan Ray 2005). Dalam
penelitian ini, deteksi tepian citra dilakukan menggunakan operator Canny.
Operator Canny dapat mendeteksi dengan baik titik-titik yang tepat meskipun objek
memiliki noise dengan tingkat error minimum (Acharya dan Ray 2005).
Kontur hasil deteksi tepi selanjutnya diurutkan sehingga dibentuk dua buah
array satu dimensi untuk menyimpan nilai pixel x dan y. Array ini adalah data yang
selanjutnya digunakan dalam proses pengolahan dengan algoritme geometri kontur.
Penentuan Titik Pusat
Dalam citra biner, array kontur terurut hasil operasi sebelumnya masih
memiliki garis kontur kasar. Reduksi jumlah kontur perlu dilakukan untuk
membentuk kontur biner yang lebih halus dengan jumlah kontur akhir (X dan Y)
setengah dari jumlah kontur sebelumnya. Kontur yang dipilih yaitu kontur ganjil
saja sehingga jumlah kontur yang diolah sebanyak n. Operasi yang selanjutnya
7
dilakukan yaitu menentukan titik pusat citra yang meliputi titik pusat luasan citra,
titik pusat massa citra, dan titik pusat lingkaran citra. Titik pusat luasan citra yaitu
titik yang berada di tengah berdasarkan luas area dalam kontur. Titik ini diperoleh
dengan membagi luas area dalam kontur dengan panjang kontur dalam sumbu x dan
panjang kontur dalam sumbu y. Titik ini adalah titik yang akan membagi sama besar
luas area dalam kontur citra baik secara vertikal maupun secara horizontal. Titik ini
ditentukan dengan persamaan:
Px0 =
∑ni=0 abs[ Yi -Yi+1 ×(Xi +Xi+1 )/2]
∑ni=0 abs(Yi -Yi+1 )
∑ni=0 abs[ Xi -Xi+ ×(Yi +Yi+ )/2]
Py0 =
∑ni=0 abs(Xi -Xi+ )
dengan:
- Xi dan Yi = array ke i dari absis dan ordinat kontur hasil direduksi
- n
= jumlah kontur
- Px0 dan Py0 = koordinat titik pusat kontur
Secara visual persamaan di atas dapat dilihat pada Gambar 4. Gambar 4 (a)
menunjukkan garis y=Py0 membagi citra ke dalam dua buah bagian luas LI dan LII
sama besar. Gambar 4 (b) menunjukkan garis x=Px0 membagi citra ke dalam dua
buah bagian luas LI dan LII sama besar. Gambar 4 (c) menunjukkan titik pusat
luasan citra ( Px0 , Py0 ) yang merupakan perpotongan dua garis pembagi luas
berdasarkan sumbu x dan sumbu y.
Gambar 4 Penentuan titik pusat citra dengan garis pembagi luas
8
Titik massa kontur adalah pusat berat titik-titik kontur sesuai dengan
distribusinya. Titik ini bisa berada di dalam keliling kontur ataupun di luar keliling
kontur. Titik massa kontur bernilai sama dengan titik pusat kontur untuk kontur
yang berbentuk simetri bilateral. Titik massa kontur untuk bidang tidak beraturan
didapatkan dengan terlebih dahulu membagi total keseluruhan bidang menjadi
beberapa bidang beraturan. Titik pusat massa bidang tidak beraturan ditentukan
dengan perhitungan:
dengan:
- A�
- x� dan y�
∑ni=0[A� × x� ]
;
Px1 =
∑ni=0[A� ]
∑ni=0[A� × y� ]
Py1 =
∑ni=0[A� ]
= luas masing-masing bagian bidang
= titik pusat massa masing-masing bagian bidang
Pada Gambar 5 dapat dilihat bahwa luas bagian keseluruhan merupakan
gabungan dari beberapa luas berdasarkan sumbu x dan sumbu y. Titik pusat massa
ditentukan dengan menjumlahkan luas × pusat massa untuk setiap bagian dibagi
dengan luas keseluruhan bagian. Dengan demikian, persamaan untuk menentukan
ordinat (Px1 ) dari titik pusat massa keseluruhan bagian dapat dituliskan dengan:
Px1 =
∑ni=0 [
Px1 =
Yi -Yi+ × Xi +Xi+
∑ni=0 [
×
Xi +Xi+
2
Yi -Yi+ × Xi +Xi+
2
4
]
]
∑ni=0[ Yi -Yi+ × Xi +Xi+ 2 ]
4* ∑ni=0[(Yi -Yi+ )× Xi +Xi+ ]
Dengan cara yang sama, diperoleh persamaan untuk menentukan ordinat
(Py1 ) dari titik pusat massa, yaitu
∑ni=0[ Xi -Xi+ × Yi +Yi+ 2 ]
Py1 =
4* ∑ni=0[(Yi +Yi+ )×(Xi -Xi+ )]
Gambar 5 Penentuan pusat massa citra dengan mempertimbangkan titik pusat
massa masing-masing bagian citra menurut sumbu x dan sumbu y
9
Selain titik pusat kontur dan titik pusat massa kontur, ditentukan pula titik
pusat lingkaran kontur. Lingkaran ini adalah lingkaran dengan jari-jari terpendek
yang dapat melingkupi semua titik kontur secara sempurna. Titik ini adalah hasil
turunan titik dari titik pusat massa yang telah ditentukan. Setiap titik kontur dihitung
jaraknya terhadap titik pusat massa untuk mendapatkan jarak titik kontur terjauh
(dist) dari titik pusat massa. Titik pusat lingkaran diperoleh dari hasil update titik
pusat massa sehingga diperoleh jarak terjauh dengan nilai minimum (Gambar 6).
Titik pusat dan jari-jari lingkaran ini ditentukan dengan perhitungan:
dist = max [√(Xi-postx )2 +(Yi-posty )2 ] ;
0< i
BERBASIS KONTUR CITRA
DICKY IQBAL LUBIS
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKLA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Ekstraksi Bentuk
Geometri Daun Tumbuhan Obat Berbasis Kontur 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 skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2015
Dicky Iqbal Lubis
NIM G64110079
ABSTRAK
DICKY IQBAL LUBIS. Ekstraksi Bentuk Geometri Daun Tumbuhan Obat
Berbasis Kontur Citra. Dibimbing oleh YENI HERDIYENI
Tumbuhan obat dapat diidentifikasi dengan mengekstraksi bentuk geometri
daun. Penelitian ini menerapkan metode baru dalam ekstraksi ciri daun berbasiskan
geometri kontur. Metode geometri dalam penelitian ini digunakan untuk
menentukan landmark kontur daun berdasarkan kelengkungannya. Dengan
perhitungan geometri, ciri citra diekstraksi pada landmark yang telah dideteksi.
Data penelitian ini berupa citra daun dalam enam kelas bentuk daun tumbuhan obat,
yaitu lanceolate, ovate, obovate, reniform, cordate, dan deltoid. Metode ini telah
berhasil mengekstraksi enam ciri pada landmark kontur daun, yaitu jarak landmark
terhadap titik pusat, posisi landmark terhadap titik awal kontur, kelengkungan,
perubahan sudut, kemiringan, dan fungsi polinom kontur. Ukuran kemiripan
diterapkan dalam menentukan prediksi bentuk daun. Hasil percobaan menunjukkan
nilai akurasi total semua ciri sebesar 72.22%. Hasil ekstraksi kelengkungan
memiliki akurasi terbaik yaitu sebesar 70.83%. Dengan menggunakan fungsi
polinom dari ciri posisi dan kelengkungan landmark, kontur daun dapat
direpresentasikan dengan baik. Penelitian ini menunjukkan representasi geometri
dengan nilai kelengkungan dapat membedakan bentuk daun tumbuhan obat.
Kata Kunci: bentuk geometri, kontur, landmark, tumbuhan obat
ABSTRACT
DICKY IQBAL LUBIS. Geometrical Shape Extraction of Medicinal Plant Leaf
based on Image Contour. Supervised by YENI HERDIYENI
Medicinal plants can be identified by extracting the geometrical leaf shape.
This research proposes a new model of geometrical-based shape extraction of
medicinal plant leaf. In this research, geometrical method was implemented to
determine landmark of contour based on curvature representation. The data used
are leaf image in six class leaf shape of medicinal plant from several locations of
Indonesian medicinal plant cultivations, i.e lanceolate, ovate, obovate, reniform,
cordate, and deltoid. This method has been successfully detect landmark of leaf
contour with six features: landmark distance from centroid, landmark position,
curvature, angle alteration, slope, and polynomial function coeficient. A similarity
measurement is applied to calculate the prediction of leaf shape. The experimental
results show that the best accuracy achieved is 72.22% with the best accuracy
feature for curvilinear 70.83%. By using polynomial function from landmark
position and curvilinear features, leaf contour can be represented well. This study
shows that geometrical model of leaf contour using curvature representation can be
used to differentiate the leaf shape of medicinal plants
Keywords: contour, geometrical shape, landmark, medicinal plant
EKSTRAKSI CITRA DAUN TUMBUHAN OBAT
BERBASIS GEOMETRI KONTUR DAUN
DICKY IQBAL LUBIS
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKLA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Judul Skripsi : Ekstraksi Bentuk Geometri Daun Tumbuhan Obat Berbasis Kontur
Citra
Nama
: Dicky Iqbal Lubis
NIM
: G64110079
Disetujui oleh
Dr Yeni Herdiyeni, SSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MKom MSi
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan November 2014 ini ialah
pemrosesan citra digital dengan judul Ekstraski Bentuk Geometri Daun Tumbuhan
Obat Berbasis Kontur Citra.
Penulis menyampaikan terima kasih yang sebesar-besarnya kepada:
1 Ibunda tercinta serta seluruh keluarga atas segala doa, motivasi, dan kasih
sayangnya.
2 Ibu Dr Yeni Herdiyeni, SSi MKom selaku dosen pembimbing dalam penelitian
ini.
3 Prof. Stéphane Douady dari Universitas Paris Diderot atas kerja sama penelitian
yang telah terjalin sejak 2012 hingga saat ini.
4 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom dan Bapak Muhammad Asyhar
Agmalaro, SSi MKom selaku dosen penguji.
5 Seluruh anggota lab Computational Intelligence, Departemen Ilmu Komputer
IPB atas kerja sama dan bantuannya dalam pengambilan dan pengolahan data
penelitian ini.
6 Keluarga besar Bidik Misi IPB yang telah memberikan dukungan dalam
menunjang proses perkuliahan selama di IPB.
7 Semua sahabat ilkomerz 48 atas segala semangat, kebersamaan, dan motivasi
kepada penulis.
8 Keluarga Pondok ASAD yang senantiasa memberikan semangat dan nasehat
dalam penyelesaian penelitian ini.
9 Seluruh pihak yang turut membantu dalam penelitian ini baik secara langsung
maupun tidak.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan karya
ilmiah ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2015
Dicky Iqbal Lubis
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
ix
PENDAHULUAN
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
Tumbuhan Obat
2
Biometrik Daun
3
Citra Daun
3
Kontur
4
Geometri Kontur
4
METODE
Data Penelitian
5
Praproses Citra
5
Deteksi Tepian Citra
6
Penentuan Titik Pusat
6
Ekstraksi kelengkungan titik
10
Penentuan Landmark Kontur
12
Ekstraksi Landmark Kontur
13
Analisis Citra dan Evaluasi
15
Lingkungan Pengembangan
15
HASIL DAN PEMBAHASAN
Praproses Citra
16
Penentuan Titik Pusat
16
Penentuan Landmark
17
Ekstraksi Ciri Kontur
20
Ekstraksi Fungsi Polinom Kontur
26
SIMPULAN DAN SARAN
Simpulan
28
Saran
28
DAFTAR PUSTAKA
28
LAMPIRAN
30
RIWAYAT HIDUP
33
DAFTAR TABEL
1 Data perubahan kelengkungan kontur menuju landmark
2 Hasil pendeteksian landmark untuk beberapa data daun
3 Confusion matrix perhitungan kemiripan 6 kelas bentuk daun
4 Koefisien fungsi polinom data ovate
18
19
25
26
DAFTAR GAMBAR
1 Bentuk-bentuk daun menurut Harlow dan Harrar (1969)
2 Tahapan metode penelitian
3 (a) Citra daun berwarna, (b) Citra daun grayscale hasil praproses citra
(c) Tepi terluar daun (kontur daun)
4 Penentuan titik pusat citra dengan garis pembagi luas
5 Penentuan pusat massa citra dengan mempertimbangkan titik pusat
massa masing-masing bagian citra menurut sumbu x dan sumbu y
6 Penentuan titik pusat lingkaran terkecil dengan update jarak terjauh
kontur terhadap titik pusat
7 Representasi perhitungan nilai posisi kontur
8 Representasi perhitungan nilai kelengkungan titik kontur
9 (a) Kontur cekung dan (b) Kontur cembung
10 Visualisasi deteksi landmark kontur
11 Sebaran nilai kelengkungan titik kontur di sekitar landmark
12 (a) Citra berwarna, (b) Citra grayscale, (c) Citra biner (d) Hasil deteksi
tepi dengan operator Canny, dan (e) Hasil inversi nilai biner
13 Hasil deteksi titik pusat citra
14 Pendeteksian landmark kontur
15 Daun yang dijadikan templat data dengan kriteria hasil deteksi
landmark baik secara visual
16 Histogram visualisasi ciri jarak landmark untuk masing-masing bentuk
daun
17 Histogram ciri posisi landmark
18 Histogram ciri kelengkungan landmark
19 Histogram ciri perubahan sudut landmark
20 Histogram ciri kemiringan landmark
21 Penggabungan kelima ciri untuk masing-masing bentuk daun
22 Daun dari tiga kelas bentuk dengan apex yang mirip sering mengalami
kesalahan prediksi
23 Hampiran fungsi polinom untuk sebaran data posisi terhadap
kelengkungan kontur (data ovate)
24 Grafik koefisien fungsi polinom masing-masing kelas bentuk daun
25 Data citra kelas bentuk lanceolate
4
5
6
7
8
9
10
11
12
13
14
16
17
18
20
21
22
23
23
24
25
26
26
27
28
PENDAHULUAN
Latar Belakang
Indonesia memiliki kekayaan hayati yang melimpah hampir di seluruh
wilayahnya. Dari sejumlah tumbuhan yang hidup di wilayah Indonesia, ada banyak
tumbuhan yang mengandung senyawa kimia yang dapat dimanfaatkan sebagai obat
seperti: alkaloid, sterol, flavonoid, saponin, glikosida, tanin, dan resin (Motaleb
2011). Zuhud (2010) mengatakan bahwa sampai tahun 2001 Laboratorium
Konservasi Tumbuhan, Fakultas Kehutanan IPB mencatat jumlah tumbuhan obat
di Indonesia tidak kurang dari 2039 spesies. Akan tetapi, hanya sedikit tumbuhan
obat yang sudah dibudidayakan. Hal ini terkait dengan belum dikenalnya jenis
tumbuhan obat karena sulitnya membedakan jenis-jenis tumbuhan obat yang ada.
Identifikasi tumbuhan dapat dilakukan berdasarkan ciri biometriknya. Nix
(2014) menjelaskan bahwa biometrik daun secara umum dibagi dalam beberapa
basis, yaitu basis bentuk daun (shape), susunan daun (arrangement), penampang
tepi daun (margin), dan venasi daun (vein). Kondisi biometrik ini masih sulit
diketahui dan proses identifikasinya hanya mudah dilakukan oleh seorang pakar
(Pahalawatta 2008). Dalam upaya mempermudah identifikasi jenis tumbuhan obat,
telah dibuat berbagai sistem identifikasi. Akan tetapi, sistem yang ada masih perlu
dikembangkan.
Ada beberapa metode yang dipakai dalam representasi bentuk suatu citra
secara umum, yaitu point linking, complex coordinate, tangent angle, contour
curvature, serta triangle-area representation (Yang et al. 2010). Metode point
linking menentukan kontur citra dengan Moore’s Algorithm. Algoritme ini
menelusuri tepian dari piksel kontur yang diketahui kemudian mencari piksel
kontur yang adjacent sampai ditemukan kondisi berhenti (Tejada et al. 2009).
Dalam studi kasus citra daun, Mouine et al. (2013) memakai metode ekstraksi
geometri multiscale-triangular representation dalam mengklasifikasikan bentuk.
Metode ini mengenali bentuk-bentuk triangular dari beberapa titik yang
membentuk segitiga khusus. Pada tahun yang sama, Chih-Ying dan Chia-Hung
(2013) melakukan penelitian dengan mengambil beberapa titik kunci dari tepian
citra daun untuk diekstraksi dan dikenali cirinya.
Penelitian ini dilakukan untuk mengembangkan metode identifikasi bentuk
daun dengan mengekstraksi ciri geometri daun berbasis kontur. Metode geometri
kontur dalam penelitian ini akan menentukan beberapa fitur penciri citra daun pada
landmark seperti posisi landmark, kelengkungan landmark, perubahan sudut
landmark, jarak landmark, dan kemiringan landmark.
Perumusan Masalah
Berdasarkan latar belakang di atas, maka masalah-masalah yang menjadi
bahasan dalam penelitian adalah:
1 Bagaimana merepresentasikan kontur daun secara geometri untuk sistem
identifikasi bentuk daun tumbuhan obat?
2 Bagaimana penerapan algoritme berbasis geometri kontur untuk ekstraksi ciri
daun tumbuhan berdasarkan bentuk geometri?
2
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Menentukan landmark kontur citra daun tumbuhan obat dengan metode
geometri kontur.
2 Mengekstraksi ciri geometri daun tumbuhan obat seperti posisi, kelengkungan,
perubahan sudut, kemiringan, jarak, dan fungsi polinom berdasarkan landmark
kontur citra.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu proses identifikasi bentuk
tumbuhan obat berdasarkan bentuk geometri tepian daun.
Ruang Lingkup Penelitian
1
2
3
4
Ruang lingkup penelitian ini adalah:
Data yang digunakan adalah citra daun tumbuhan obat Indonesia dari beberapa
lokasi pembudidayaan. Data citra daun ini diambil dengan kamera digital dan
scanner.
Data yang digunakan berupa citra daun tunggal berukuran 256×256 pixel
dengan posisi vertikal dan latar belakang putih.
Penelitian dilakukan fokus pada pengolahan geometri terluar dari bentuk daun
tumbuhan obat.
Daun tumbuhan obat yang dipakai terdiri atas enam kelas bentuk daun, yaitu
lanceolate, ovate, obovate, reniform, cordate, dan deltoid.
TINJAUAN PUSTAKA
Tumbuhan Obat
Setiap tumbuhan memiliki kandungan senyawa kimia yang berbeda-beda.
Kandungan kimia ini ada yang bersifat toxic atau racun dan banyak pula yang
memiliki kandungan senyawa kimia yang bermanfaat. Tumbuhan yang
mengandung bahan-bahan terapi atau memiliki manfaat pengobatan bagi tubuh
manusia secara umum digolongkan sebagai tanaman obat (Motaleb 2011). Suatu
jenis tumbuhan obat dapat memiliki satu atau lebih senyawa yang bermanfaat bagi
kesehatan. Senyawa-senyawa yang ada pada tumbuhan obat antara lain: alkaloid,
sterol, flavonoid, saponin, glikosida, tanin, dan resin (Motaleb 2011).
Baik secara tradisional maupun dengan teknologi modern, tumbuhan obat
telah banyak diolah menjadi suplemen kesehatan dan obat dalam menyembuhkan
penyakit. Pada tahun 2011, World Health Organization (WHO) menyatakan bahwa
sekitar 80% penduduk dunia tergantung pada sebagian tumbuhan obat sebagai
bahan utama pemelihara kesehatan mereka. Lebih lanjut lagi, Motaleb (2011)
mengatakan bahwa permintaan dan pemanfaatan tumbuhan obat saat ini semakin
meningkat.
3
Indonesia adalah salah satu negara dengan kekayaan hayati tumbuhan obat.
Sampai dengan tahun 2001 Laboratorium Konservasi Tumbuhan, Fakultas
Kehutanan IPB mencatat jumlah tumbuhan obat di Indonesia tidak kurang dari 2039
spesies (Zuhud 2010). Namun demikian, hanya sedikit tumbuhan obat yang sudah
dibudidayakan karena kurangnya pengetahuan masyarakat. Identifikasi tumbuhan
obat hanya mudah dilakukan oleh seorang ahli tumbuhan. Oleh karena itu,
teknologi pemrosesan citra digital dalam identifikasi tumbuhan obat sangat
dibutuhkan.
Biometrik Daun
Tumbuhan memiliki beberapa kemiripan dan perbedaan antara satu dengan
yang lainnya dalam hal sifat dan bentuk. Pada dasarnya tumbuhan dapat
diidentifikasi menurut ciri morfologinya seperti buah dan bunganya. Beberapa
morfologi yang mencirikan suatu tumbuhan satu dengan yang lainnya terkadang
hanya dapat diketahui oleh seorang pakar saja, seperti: struktur reproduksi organ,
warna, bentuk dan ukuran daun. Beberapa morfolgi penciri ini memiliki peran
penting dalam suatu identifikasi tumbuhan (Pahalawatta 2008). Morfologi tubuh
tumbuhan yang dapat dijadikan sebagai pengidentifikasi disebut dengan biometrik
tumbuhan. Biometrik tumbuhan dapat diamati dari segi bentuk daun, susunan daun,
penampang tepi daun, dan venasi daun (Nix 2014). Bentuk daun adalah salah satu
ciri yang paling penting dalam identifikasi tumbuhan (Chih-Ying dan Chia-Hung
2013).
Salah satu ciri yang sering digunakan dalam identifikasi jenis tumbuhan
adalah bentuk daun. Berdasarkan bentuk daun, Harlow dan Harrar (1952)
mengklasifikasikan daun ke dalam 16 kelas berbeda. Klasifikasi bentuk daun ini
didasarkan pada keunikan perbandingan panjang dan lebar daun serta perbedaan
bentuk keliling daun. Gambar 1 adalah penggolongan jenis-jenis bentuk daun yang
terdapat di alam. Smithsonian Institution (1999) menjelaskan pembagian bentukbentuk daun dapat dianalisis berdasarkan beberapa aspek geometri seperti
perbedaan posisi axis (lebar terbesar daun), perbedaan base (pangkal daun), dan
perbedaan apex (ujung daun).
Citra Daun
Sebuah citra digital didefinisikan sebagai bidang diskret dua dimensi yang
berasal dari citra analog a(x,y) dalam bidang dua dimensi kontinyu melalui proses
sampling yang sering dikenal dengan proses digitisasi (Young et al. 1998).
Digitisasi sendiri merupakan sebuah proses untuk mengubah suatu nilai ke dalam
bentuk digital. Citra hasil perekaman yang memiliki nilai kontinyu diubah menjadi
citra dengan nilai digital. Jadi sebuah citra digital merupakan representasi digital
suatu objek yang telah diambil dengan beberapa teknik perekaman citra seperti
perekaman citra menggunakan sebuah kamera digital. Dengan definisi citra
menurut Young et al. (1998), dapat diketahui bahwa citra daun adalah representasi
digital suatu daun tumbuhan dengan teknik perekaman citra. Citra daun dapat
berupa citra daun tunggal (satu daun dalam satu citra) atau berupa citra daun
majemuk (beberapa daun dalam satu citra).
4
Gambar 1 Bentuk-bentuk daun menurut Harlow dan Harrar
(1969)
Kontur
Kontur adalah keliling atau tepian terluar dari suatu objek dalam citra digital.
Sejak identifikasi tepian objek citra menjadi masalah krusial dalam analisis citra,
ekstraksi kontur menjadi hal yang paling penting dilakukan dalam identifikasi suatu
citra (Tejada et al. 2009). Manusia dapat mengidentifikasi dengan mudah berbagai
macam objek hanya dengan mengamati bentuk tepiannya (Chih-Ying dan ChiaHung 2013).
Representasi kontur suatu citra dapat dilakukan dengan dua macam
pendekatan, yaitu representasi secara konvensional dan secara struktural. Dalam
perhitungannya, representasi konvensional tetap memperhitungkan bentuk
keseluruhan objek. Sedangkan, representasi secara struktural membagi keseluruhan
kontur ke dalam beberapa segmen untuk dianalisis (Chih-Ying dan Chia-Hung
2013).
Geometri Kontur
Suatu kontur memiliki berbagai parameter seperti pusat massa, pusat luas,
convexity, rectangularity, dan circularity. Dari parameter ini, citra dapat dianalisis
secara geometri, salah satunya adalah analisis geometri berbasis fungsi satu dimensi.
Metode geometri yang termasuk dalam basis fungsi satu dimensi antara lain:
koordinat kompleks, fungsi jarak titik pusat, sudut tangen, dan fungsi kelengkungan
(Yang et al. 2010).
5
METODE
Secara garis besar, metode yang digunakan dalam penelitian ini adalah
pengumpulan data citra daun tumbuhan obat, praproses citra, deteksi tepian (edge)
citra daun, penentuan landmark tepian citra daun, ekstraksi citra, serta identifikasi
citra. Tahapan metode ini dapat dilihat pada Gambar 2.
Mulai
Citradaun
dauntumbuhan
tumbuhan
Citra
obat
obat
Praproses
citra
Ekstraksi geometri
landmark
Penentuan titik landmark
kontur daun
Analisis
Evaluasi
Selesai
Deteksi
tepian citra
Array
kontur citra
Perhitungan kelengkungan
kontur citra daun
Penentuan titik pusat citra,
dan titik pusat lingkaran
citra
Gambar 2 Tahapan metode penelitian
Data Penelitian
Data yang digunakan dalam penelitian ini adalah data citra daun tumbuhan
obat. Objek data citra ini berupa tumbuhan obat yang diambil oleh tim riset
Computer Vision IPB di beberapa lokasi pembudidayaan tumbuhan obat Indonesia
seperti Kebun Raya Cibodas, areal kebun Biofarmaka Cikabayan dan rumah kaca
Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fakultas
Kehutanan IPB. Data yang dipakai terdiri atas enam kelas bentuk daun, yaitu
lanceolate, ovate, obovate, reniform, cordate, dan deltoid.
Praproses Citra
Tahap praproses citra dilakukan dengan mempersiapkan citra daun sebelum
masuk dalam teknik pengolahan ekstraksi citra. Praproses dimulai dengan
melakukan pengubahan latar belakang citra daun menjadi latar belakang putih.
Selanjutnya dilakukan restorasi citra dengan tujuan mendapatkan kualitas citra yang
baik sebelum dilakukan tahapan analisis lebih lanjut (Acharya dan Ray 2005).
6
Dalam tahapan ini juga dilakukan proses penyesuaian posisi citra. Citra daun
diposisikan secara vertikal yaitu setiap citra diatur dengan posisi pangkal daun
berada di sebelah bawah sementara posisi ujung daun berada di sebelah atas citra.
Citra daun setelah melalui tahap praproses citra adalah citra daun dengan
pengaturan intensitas grayscale dengan skala tertentu.
Deteksi Tepian Citra
Hasil dari tahapan praproses citra adalah citra daun dengan kualitas yang
sesuai untuk diolah dalam tahapan berikutnya. Tahapan yang selanjutnya dilakukan
yaitu proses deteksi tepi citra. Deteksi tepi citra merupakan proses untuk
menghasilkan tepi-tepi dari objek citra sehingga dapat diketahui bagian yang
menjadi detil citra. Suatu titik a(x,y) dikatakan sebagai tepian (edge) dari citra
apabila mempunyai perbedaan intensitas yang tinggi terhadap titik tetangganya.
Tepi daun akan dideteksi karena merupakan titik-titik dengan perbedaan intensitas
warna yang mencolok terhadap warna latar belakang yang telah diatur menjadi
warna putih. Representasi tepi daun dapat dilihat pada Gambar 3.
Gambar 3 (a) Citra daun berwarna, (b) Citra daun grayscale hasil praproses citra
(c) Tepi terluar daun (kontur daun)
Ada beberapa metode yang dapat dipakai dalam proses deteksi tepi. Secara
garis besar deteksi tepi ini dapat berdasarkan nilai turunan pertama ataupun
berdasarkan nilai turunan kedua. Beberapa operator deteksi tepi berdasarkan nilai
turunan pertama di antaranya adalah operator Robert, operator Prewitt, operator
Sobel, operator Canny, dan operator Crisch (Acharya dan Ray 2005). Dalam
penelitian ini, deteksi tepian citra dilakukan menggunakan operator Canny.
Operator Canny dapat mendeteksi dengan baik titik-titik yang tepat meskipun objek
memiliki noise dengan tingkat error minimum (Acharya dan Ray 2005).
Kontur hasil deteksi tepi selanjutnya diurutkan sehingga dibentuk dua buah
array satu dimensi untuk menyimpan nilai pixel x dan y. Array ini adalah data yang
selanjutnya digunakan dalam proses pengolahan dengan algoritme geometri kontur.
Penentuan Titik Pusat
Dalam citra biner, array kontur terurut hasil operasi sebelumnya masih
memiliki garis kontur kasar. Reduksi jumlah kontur perlu dilakukan untuk
membentuk kontur biner yang lebih halus dengan jumlah kontur akhir (X dan Y)
setengah dari jumlah kontur sebelumnya. Kontur yang dipilih yaitu kontur ganjil
saja sehingga jumlah kontur yang diolah sebanyak n. Operasi yang selanjutnya
7
dilakukan yaitu menentukan titik pusat citra yang meliputi titik pusat luasan citra,
titik pusat massa citra, dan titik pusat lingkaran citra. Titik pusat luasan citra yaitu
titik yang berada di tengah berdasarkan luas area dalam kontur. Titik ini diperoleh
dengan membagi luas area dalam kontur dengan panjang kontur dalam sumbu x dan
panjang kontur dalam sumbu y. Titik ini adalah titik yang akan membagi sama besar
luas area dalam kontur citra baik secara vertikal maupun secara horizontal. Titik ini
ditentukan dengan persamaan:
Px0 =
∑ni=0 abs[ Yi -Yi+1 ×(Xi +Xi+1 )/2]
∑ni=0 abs(Yi -Yi+1 )
∑ni=0 abs[ Xi -Xi+ ×(Yi +Yi+ )/2]
Py0 =
∑ni=0 abs(Xi -Xi+ )
dengan:
- Xi dan Yi = array ke i dari absis dan ordinat kontur hasil direduksi
- n
= jumlah kontur
- Px0 dan Py0 = koordinat titik pusat kontur
Secara visual persamaan di atas dapat dilihat pada Gambar 4. Gambar 4 (a)
menunjukkan garis y=Py0 membagi citra ke dalam dua buah bagian luas LI dan LII
sama besar. Gambar 4 (b) menunjukkan garis x=Px0 membagi citra ke dalam dua
buah bagian luas LI dan LII sama besar. Gambar 4 (c) menunjukkan titik pusat
luasan citra ( Px0 , Py0 ) yang merupakan perpotongan dua garis pembagi luas
berdasarkan sumbu x dan sumbu y.
Gambar 4 Penentuan titik pusat citra dengan garis pembagi luas
8
Titik massa kontur adalah pusat berat titik-titik kontur sesuai dengan
distribusinya. Titik ini bisa berada di dalam keliling kontur ataupun di luar keliling
kontur. Titik massa kontur bernilai sama dengan titik pusat kontur untuk kontur
yang berbentuk simetri bilateral. Titik massa kontur untuk bidang tidak beraturan
didapatkan dengan terlebih dahulu membagi total keseluruhan bidang menjadi
beberapa bidang beraturan. Titik pusat massa bidang tidak beraturan ditentukan
dengan perhitungan:
dengan:
- A�
- x� dan y�
∑ni=0[A� × x� ]
;
Px1 =
∑ni=0[A� ]
∑ni=0[A� × y� ]
Py1 =
∑ni=0[A� ]
= luas masing-masing bagian bidang
= titik pusat massa masing-masing bagian bidang
Pada Gambar 5 dapat dilihat bahwa luas bagian keseluruhan merupakan
gabungan dari beberapa luas berdasarkan sumbu x dan sumbu y. Titik pusat massa
ditentukan dengan menjumlahkan luas × pusat massa untuk setiap bagian dibagi
dengan luas keseluruhan bagian. Dengan demikian, persamaan untuk menentukan
ordinat (Px1 ) dari titik pusat massa keseluruhan bagian dapat dituliskan dengan:
Px1 =
∑ni=0 [
Px1 =
Yi -Yi+ × Xi +Xi+
∑ni=0 [
×
Xi +Xi+
2
Yi -Yi+ × Xi +Xi+
2
4
]
]
∑ni=0[ Yi -Yi+ × Xi +Xi+ 2 ]
4* ∑ni=0[(Yi -Yi+ )× Xi +Xi+ ]
Dengan cara yang sama, diperoleh persamaan untuk menentukan ordinat
(Py1 ) dari titik pusat massa, yaitu
∑ni=0[ Xi -Xi+ × Yi +Yi+ 2 ]
Py1 =
4* ∑ni=0[(Yi +Yi+ )×(Xi -Xi+ )]
Gambar 5 Penentuan pusat massa citra dengan mempertimbangkan titik pusat
massa masing-masing bagian citra menurut sumbu x dan sumbu y
9
Selain titik pusat kontur dan titik pusat massa kontur, ditentukan pula titik
pusat lingkaran kontur. Lingkaran ini adalah lingkaran dengan jari-jari terpendek
yang dapat melingkupi semua titik kontur secara sempurna. Titik ini adalah hasil
turunan titik dari titik pusat massa yang telah ditentukan. Setiap titik kontur dihitung
jaraknya terhadap titik pusat massa untuk mendapatkan jarak titik kontur terjauh
(dist) dari titik pusat massa. Titik pusat lingkaran diperoleh dari hasil update titik
pusat massa sehingga diperoleh jarak terjauh dengan nilai minimum (Gambar 6).
Titik pusat dan jari-jari lingkaran ini ditentukan dengan perhitungan:
dist = max [√(Xi-postx )2 +(Yi-posty )2 ] ;
0< i