4.4. Prosedur Operasional
4.4.1. Prosedur operasional pada halaman pelatihan citra
Hal pertama yang dilakukan pengguna sebelum menjalankan proses training data adalah peng-input-an data informasi mengenai tanaman dari citra daun yang akan dilatih. User
harus meng- klik tombol “Add” untuk mengisi informasi mengenai tanaman dari daun
yang akan dilatih ditunjukkan pada gambar 4.4.
Gambar 4.4. Tombol “Add” pada halaman training data
Kotak dialog untuk meng-input data akan muncul ketika tombol “Add” telah di
klik seperti yang ditunjukkan pada gambar 4.5.
Gambar 4.5. Kotak dialog yang muncul setelah tombol “Add” di klik
Universitas Sumatera Utara
Tombol “Add akan terkunci ketika informasi telah di input lalu tombol “Edit” dan “Delete” akan aktif untuk memungkinkan user memperbaharui maupun menghapus
informasi tanaman yang telah di input. Setelah itu, user harus memasukkan gambar tanaman dari citra daun yang akan dilatih dengan meng-klik
tombol “Get Image”. Ketika gambar telah di input,
maka tombol “Get Image” akan terkunci dan tombol “Preview” serta “Delete” menjadi aktif sehingga memungkinkan user untuk melihat dan menghapus
gambar tanaman yang telah di input. Selanjutnya, user harus memilih file citra daun citra daun yang akan dilatih dengan meng-klik
tombol “Get Images”. Kotak dialog untuk memilih file citra akan ditampilkan ketika user meng-klik
tombol “Get Images” dan tombol “Preview” serta “Delete” akan aktif ketika file telah dipilih yang memungkinkan
user untuk melihat dan menghapus daftar citra daun yang telah di input. Tampilan halaman training data dengan data yang telah di input ditunjukkan pada Gambar 4.6.
Gambar 4.6. Halaman data training setelah pengisian data
Kotak dialog untuk memilih gambar tanaman dan citra daun ditunjukkan pada Gambar 4.7.
Universitas Sumatera Utara
Gambar 4.7. Kotak dialog yang muncul setelah tombol “Browse” di klik
Jendela baru setelah tombol “Preview” di klik pada panel Tree Image dapat dilihat pada Gambar 4.8.
Gambar 4.8. Jendela baru yang muncul setelah tombol “Preview” pada panel tree image di klik
Jendela baru setelah tombol “Preview” di klik pada panel Tree Image dan Leaf Image Training dapat dilihat pada Gambar 4.9.
Universitas Sumatera Utara
Gambar 4.9. Jendela baru yang muncul s etelah tombol “Preview” pada panel leaf
image training di klik
4.4.2. Prosedur operasional pada halaman pengujian citra
Hal pertama yang dilakukan pengguna sebelum menjalankan proses testing data adalah peng-input-an data citra yang akan diuji. Oleh karena itu, user harus memilih file citra
dengan meng-klik tombol “Browse”. Kotak dialog untk memilih file citra akan
ditampilkan ketika user meng-klik tombol “Browse” yang ditunjukkan pada Gambar 4.10.
User dapat menghapus citra yang telah dipilih dengan meng-klik tombol “Reset”.
Gambar 4.10. Kotak dialog yang muncul setelah tombol “Browse” di klik
Universitas Sumatera Utara
Tombol “Classify” memiliki fungsi untuk memproses citra daun yang dipilih dimulai dari proses grayscaling, Gaussian, thresholding, ekstraksi fitur, hingga
identifikasi menggunakan radial basis function RBF. Tampilan halaman pengujian citra setelah tombol “Classify” diklik dapat dilihat pada Gambar 4.11.
Gambar 4.11. Tampilan halaman pengujian setelah tombol ”Classify” di klik
Hasil dari proses grayscaling, Gaussian dan thresholding akan ditampilkan ketika user meng-klik label masing-masing proses pada panel bagian kanan yang ditunjukkan
pada gambar 4.12.
Gambar 4.12. a preview grayscale; b preview gaussian; c preview threshold
Universitas Sumatera Utara
Kemudian hasil ekstraksi fitur akan ditampilkan pada tabel pada panel kanan bawah bagian “Ekstraksi Fitur”. Hasil pengujian citra ditampilkan pada panel kanan
bawah bagian “Result”. Jendela baru berisikan output dan informasi mengenai output
tersebut akan ditampilkan ketika panel Result di klik yang ditunjukkan pada Gambar 4.13.
Gambar 4.13. Tampilan jendela baru setelah panel “Result” diklik 4.5.
Pengujian Citra
Pada proses pengujian aplikasi, data yang akan digunakan sebagai input berjumlah 25 citra daun yang terdiri atas 5 citra daun tanaman Horse Chestnut, 5 citra daun tanaman
Pubescent Bamboo, 5 citra daun tanaman True Indigo, 5 citra daun tanaman Ginkgo dan 5 citra daun tanaman Japanese Cheesewood.
Proses pengujian dimulai dengan pemilihan citra daun dan dilanjutkan dengan proses pre-processing, yaitu proses pembetukan citra keabuan grayscaling, penghalusan
citra gaussian dan segmentasi citra thresholding saat tombol “Classify” di klik. Nilai
thresholding akan digunakan sebagai nilai input awal proses ekstrasi fitur menggunakan invariant moment dimana akan menghasilkan 7 nilai deskriptor bentuk yang bebas dari
translasi, rotasi dan skala objek. Setelah nilai invariant moment didapatkan, akan dilakukan proses klasifikasi menggunakan jaringan saraf tiruan Radial Basis Function
yang diawali dengan penentuan nilai awal centroid secara acak dan dilanjutkan dengan penghitungan jarak data menggunakan metode Euclidean Distance lalu nilai centroid
Universitas Sumatera Utara
akan diperbaharui dengan mencari nilai mean dari setiap kelompok. Tahap selanjutnya yaitu pengelompokan data sesuai cluster yaitu data yang memiliki jarak terpendek
d ,
d , maka masuk kedalam kelompok 1. Proses ini akan dilakukan
secara berulang hingga nilai centroid tidak mengalami perubahan. Setelah proses pencarian nilai centroid terbaik selesai, proses dilanjutkan dengan
melakukan pencarian nilai matriks gaussian. Kemudian dilakukan proses penghitungan nilai output jaringan sesuai dengan vektor target yang telah ditentukan. Tabel target
ouput dapat dilihat pada tabel 4.4.
Tabel 4.4. Target output Target
Output 1 0 0 0 0
Horse Chestnut
0 1 0 0 0 Pubescent Bamboo
0 0 1 0 0
True Indigo
0 0 0 1 0 Ginkgo
0 0 0 0 1 Japanese Cheesewood
Waktu yang dibutuhkan sistem untuk melakukan proses identifikasi sebuah citra pada penelitian ini selama kurang dari 10 detik setelah tombol “Classify” di klik. Hasil
pengujian citra daun dapat dilihat pada tabel 4.5.
Tabel 4.5. Hasil pengujian No
Nama Daun Hasil Aplikasi
Manual Status
1 1062.jpg
Pubescent Bamboo
Horse Chestnut Gagal
2
1075.jpg Horse Chestnut
Horse Chestnut Berhasil
3 1087.jpg
Horse Chestnut Horse Chestnut
Berhasil
4 1097.jpg
Horse Chestnut Horse Chestnut
Berhasil
5
1099.jpg Pubescent
Bamboo Horse Chestnut
Gagal 6
1006.jpg Pubescent
Bamboo Pubescent
Bamboo Berhasil
7 1014.jpg
Pubescent Bamboo
Pubescent Bamboo
Berhasil
Universitas Sumatera Utara
Tabel 4.5. Hasil Pengujian lanjutan No
Nama Daun Hasil Aplikasi
Manual Status
8 1018.jpg
Pubescent Bamboo Pubescent
Bamboo Berhasil
9 1024.jpg
Pubescent Bamboo Pubescent
Bamboo Berhasil
10
1031.jpg Pubescent Bamboo
Pubescent Bamboo
Berhasil
11 1200.jpg
True Indigo True Indigo
Berhasil
12 1213.jpg
Japanese Cheesewood
True Indigo
Gagal 13
1219.jpg True Indigo
True Indigo Berhasil
14 1223.jpg
True Indigo True Indigo
Berhasil
15 1233.jpg
True Indigo True Indigo
Berhasil
16 2430.jpg
Ginkgo Ginkgo
Berhasil
17 2443.jpg
Ginkgo Ginkgo
Berhasil
18 2454.jpg
Ginkgo Ginkgo
Berhasil
19
2458.jpg Ginkgo
Ginkgo Berhasil
20 2470.jpg
Ginkgo Ginkgo
Berhasil
21 2068.jpg
Japanese Cheesewood
Japanese Cheesewood
Berhasil
22
2084.jpg Japanese
Cheesewood Japanese
Cheesewood Berhasil
23 2095.jpg
Japanese Cheesewood
Japanese Cheesewood
Berhasil
24 2105.jpg
Japanese Cheesewood
Japanese Cheesewood
Berhasil
25 2109.jpg
Japanese Cheesewood
Japanese Cheesewood
Berhasil
Pada penelitian ini, hasil uji data pada tools klasifikasi tanaman menggunakan metode Radial Basis Function RBF menggunakan citra daun didapatkan persentase
akurasi dalam proses pengklasifikasian tanaman sebesar 88 . Hasil dari nilai persentase akurasi klasifikasi citra dapat dilihat pada persamaan 4.1.
Universitas Sumatera Utara
� =
ℎ �
ℎ ℎ
= =
Dari hasil pengujian, error terjadi karena beberapa faktor seperti, bentuk daun yang mirip dan citra tulang daun yang kurang jelas. Jumlah data training dan hidden layer
juga menjadi salah satu faktor yang mempengaruhi akurasi sistem.
4.1
Universitas Sumatera Utara
BAB 5 KESIMPULAN DAN SARAN
Kategori