Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat

PERBANDINGAN LOCAL BINARY PATTERN DAN
FUZZY LOCAL BINARY PATTERN UNTUK
EKSTRAKSI CITRA TUMBUHAN OBAT

FANI VALERINA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

PERBANDINGAN LOCAL BINARY PATTERN DAN
FUZZY LOCAL BINARY PATTERN UNTUK
EKSTRAKSI CITRA TUMBUHAN OBAT

FANI VALERINA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

ABSTRACT
VALERINA FANI. Comparison of Local Binary Pattern and Fuzzy Local Binary Pattern for Tropical
Medicinal Plant Extraction. Under the supervision of YENI HERDIYENI.
This research implements Fuzzy Local Binary Pattern (FLBP) method for plant images feature
extraction. FLBP is used to handle uncertainty on images with various patterns. FLBP approach is
based on the assumption that a local image neighbourhood may be characterized by more than a single
binary pattern. In order to improve the speed on image searcing, this research used Probabilistic
Neural Network (PNN). This approach was experimentally evaluated and compared with the original
LBP on a dataset of medicinal plant for images non-background and house plant for images with
background. The database contains 1440 medicinal plant leaf images and 300 tree images belonging
to 30 different types and is obtained from Biofarmaka IPB, Cikabayan Farm, Green house Center ExSitu Conservation of Medicinal Plant Indonesia Tropical Forest and Gunung Leutik. Experimental
results show that FLBP is superior to LBP based on the increased accuracy in medicinal plant

identification (FLBP: 66.33% vs LBP: 34.46% ). It can be concluded that this approach is capable to
identify medicinal plants species efficiently and accurately.
Keywords: fuzzy local binary pattern, plant extraction, probalistic neural network, texture feature.

Judul Skripsi
Nama
NRP

: Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi
Citra Tumbuhan Obat
: Fani Valerina
: G64070057

Menyetujui:
Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP 19750923 200012 2 001

Mengetahui:

Ketua Departemen Ilmu Komputer
Institut Pertanian Bogor

Dr. Ir. Agus Buono, M.Si., M.Kom.
NIP. 19660702 199302 1 001

Tanggal Lulus:

PRAKATA
Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada Allah Subhanahu
wa Ta’ala atas limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas akhir
yang berjudul Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi
Citra Tumbuhan Obat dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2011 sampai
dengan Februari 2012, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan terima
kasih kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini antara lain:
1 Ayahanda Bambang Irawan, Ibunda Eli Akmaliah, serta kakak-kakakku tercinta Mega Pratiwi dan
Feby Wulandari yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada
penulis.
2 Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan
dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.

3 Bapak Aziz Kustiyo, S.Si, M.Kom. dan Bapak Mushthofa, S.Kom., M.Sc. yang telah bersedia
untuk menjadi penguji.
4 Fanny Risnuraini, Iyos Kusmana, Windy Widowati, Dimpy Adira Ratu, Cristina Pakistanti, dan
Yoga Herawan sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan
semangat kepada penulis.
5 Rilan M. Fiqri yang senantiasa setia menemani, memberikan doa, dukungan, dan kehangatan
kepada penulis.
6 Nurisma, Dhieka Avrilia L, Ria Astriratma, dan Isna Mariam atas bantuan, dukungan, dan
pertemanan yang hangat.
7 Rekan-rekan Ilkomerz 44 atas segala kebersamaan, bantuan, dan motivasi, dan kenangan
indahnya. Semoga ketika kelak kita bertemu lagi, masing-masing dari kita telah memeroleh
kesuksesannya masing-masing.
Semoga tulisan ini dapat memberikan manfaat bagi para pembacanya. Terima kasih.

Bogor, Februari 2012

Fani Valerina

RIWAYAT HIDUP
Fani Valerina dilahirkan di Bogor pada tanggal 12 Februari 1990 dari pasangan Ibu Eli Akmaliah

dan Bapak Bambang Irawan. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA)
Negeri 2 Bogor dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor (IPB) melalui
jalur Undangan Seleksi Masuk IPB (USMI).
Penulis menjadi staf Departemen Informasi dan Komunikasi BEM FMIPA IPB 2008/2009. Pada
tahun 2010, penulis melaksanakan kegiatan praktik kerja lapangan di Badan Penelitian dan
Pengembangan Pertanian selama 35 hari. Selama mengikuti perkuliahan, penulis pernah menjadi
asisten praktikum untuk Mata Kuliah Basis data (2010 dan 2011), Metode Kuantitatif (2010),
Rekayasa Perangkat Lunak (2010), dan Sistem Pakar (2011) di Departemen Ilmu Komputer, IPB.
Pada tahun 2011, penulis menjadi finalis PIMNAS XXIV di Universitas Hasanuddin, Makasar pada
bidang PKM-Teknologi.

DAFTAR ISI
Halaman
DAFTAR TABEL............................................................................................................................. vi
DAFTAR GAMBAR ........................................................................................................................ vi
DAFTAR LAMPIRAN ..................................................................................................................... vi
PENDAHULUAN ............................................................................................................................. 1
Latar Belakang............................................................................................................................... 1
Tujuan Penelitian ........................................................................................................................... 1
Ruang Lingkup Penelitian .............................................................................................................. 1

TINJAUAN PUSTAKA ..................................................................................................................... 1
Ekstraksi Fitur ............................................................................................................................... 1
Local Binary Pattern...................................................................................................................... 2
Fuzzy Local Binary Pattern (FLBP) ............................................................................................... 2
Probabilistic Neural Network (PNN) .............................................................................................. 3
METODE PENELITIAN ................................................................................................................... 4
Data Citra Tumbuhan ..................................................................................................................... 4
Praposes ........................................................................................................................................ 5
Ekstraksi Fitur Tekstur ................................................................................................................... 5
Klasifikasi dengan Probabilistic Neural Network (PNN)................................................................. 5
Pengujian dengan Sistem................................................................................................................ 6
Perangkat Keras dan Perangkat Lunak ............................................................................................ 6
HASIL DAN PEMBAHASAN........................................................................................................... 6
Hasil Praproses .............................................................................................................................. 6
Hasil Ekstraksi Tekstur dengan LBP dan FLBP .............................................................................. 6
Perbandingan Histogram Hasil Ekstraksi Tekstur dengan LBP dan FLBP ....................................... 7
Identifikasi Citra Operator FLBP .................................................................................................... 8
Pengembangan Sistem ................................................................................................................. 11
KESIMPULAN DAN SARAN......................................................................................................... 12
Kesimpulan.................................................................................................................................. 12

Saran ........................................................................................................................................... 12
DAFTAR PUSTAKA ...................................................................................................................... 12
LAMPIRAN .................................................................................................................................... 13

v

DAFTAR TABEL
Halaman
1 Ukuran circular neighborhood ...................................................................................................... 5
2 Kelas citra tumbuhan obat yang tidak terklasifikasi dengan LBP .................................................. 10
3 Kelas citra tanaman hias yang tidak terklasifikasi dengan LBP ..................................................... 11

DAFTAR GAMBAR
Halaman
1
2
3
4
5
6

7
8
9
10
11
12
13
14

Skema komputasi LBP................................................................................................................. 2
Ukuran circular neighborhood. .................................................................................................... 2
Membership function m0( ) dan m1( ) sebagai fungsi dari pi ......................................................... 3
Skema komputasi FLBP, dengan F =10. ...................................................................................... 3
Struktur PNN............................................................................................................................... 4
Metode Penelitian. ....................................................................................................................... 4
Proses Fuzzy thresholding............................................................................................................ 5
Hasil praproses citra. ................................................................................................................... 6
Hasil ekstraksi LBP. .................................................................................................................... 6
Hasil ekstraksi FLBP. .................................................................................................................. 7
Perbandingan histogram LBP (a) dan histogram FLBP (b) pada citra tumbuhan obat. ................... 8

Hasil akurasi klasifikasi citra tumbuhan obat. ............................................................................... 9
Hasil akurasi klasifikasi citra tamanan hias. ................................................................................. 9
Perbandingan hasil akurasi identifikasi setiap kelas citra tumbuhan obat dengan LBP (a)
dan FLBP (b). ............................................................................................................................ 10
15 Kelas citra tumbuhan obat yang selalu benar terklasifikasi. ........................................................ 10
16 Perbandingan hasil akurasi identifikasi setiap kelas citra tanaman hias dengan LBP (a)
dan FLBP (b). ............................................................................................................................ 11
17 Kelas citra tanaman hias yang selalu benar terklasifikasi. ........................................................... 11

DAFTAR LAMPIRAN
Halaman
1 Tiga puluh citra tumbuhan obat ................................................................................................... 14
2 Tiga puluh jenis citra tanaman hias .............................................................................................. 17
3 Antarmuka sistem ....................................................................................................................... 20

vi

1

PENDAHULUAN

Latar Belakang
Indonesia memiliki posisi penting dalam
global biodiversity karena Indonesia termasuk
dalam sepuluh negara di dunia yang kaya
akan keanekaragaman hayati dan berpotensi
sebagai salah satu sumber daya makanan dan
tumbuhan obat bagi dunia. Kekayaan alam
tumbuhan obat Indonesia terdiri atas 30 000
jenis tumbuhan dari total 40 000 jenis tumbuhan
di dunia dengan 940 jenis di antaranya
merupakan tumbuhan berkhasiat obat (Nugroho
2010). Usaha pelestarian dan pemanfaatan
tumbuhan obat menggunakan ilmu pengetahuan
dan teknologi untuk kesejahteraan masyarakat
sangat sedikit dilakukan (Zuhud 2009). Salah
satu upaya pelestarian dan pemanfaatan
tumbuhan obat menggunakan teknologi adalah
dengan mengembangkan sistem identifikasi
tumbuhan obat secara otomatis.
Kulsum (2010) telah melakukan ekstraksi

fitur tanaman hias dengan Local Binary Pattern
(LBP) descriptor dan klasifikasi dengan
menggunakan Probabilistic Neural Network
(PNN). Hasil ekstraksi dan klasifikasi tersebut
dapat digunakan untuk membuat sistem
identifikasi tanaman secara otomatis dengan
masukan citra tanaman sehingga proses
identifikasi dapat dilakukan dengan cepat.
LBP merupakan metode ekstraksi fitur
tekstur dengan membagi citra ke dalam
beberapa local region dan mengekstraksi local
region tersebut untuk mendapatkan pola biner
lokal. Ojala et al. (2002) telah melakukan
ekstraksi tekstur untuk klasifikasi tekstur Outex
dan Brodatz dengan LBP. Ekstraksi tekstur juga
dilakukan oleh Ahonen et al. (2006) dengan
menggunakan LBP untuk pengenalan wajah.
Pada dasarnya, LBP adalah metode yang
secara teori dan perhitungannya sangat
sederhana. LBP juga dapat mendeskripsikan
pola-pola tekstur lokal dengan baik. Namun,
LBP memiliki kelemahan dalam penentuan
tresholding pada nilai keabuan piksel yang
membuat penyajian teksturnya sensitif terhadap
noise. Hasil threshold pada original LBP
terkadang menghasilkan pengodean pola biner
yang tidak sesuai dengan kandungan nilai
pikselnya. Hal ini dikarenakan adanya
ketidakpastian yang diakibatkan oleh noise.
Iakovidis et al. (2008) menggunakan fuzzy logic
untuk
mengatasi
ketidakpastian
pada
representasi tekstur LBP yang dikenal sebagai
metode Fuzzy Local Binary Pattern (FLBP).
Metode tersebut digunakan untuk karakterisasi

tekstur Ultrasound dengan akurasi mencapai
84%. Akurasi ini merupakan akurasi tertinggi
dibandingkan dengan menggunakan metode
LBP dan Co-occurrence Matrix (CM).
Penelitian ini menerapkan metode FLBP
untuk ekstraksi tekstur citra tumbuhan obat,
kemudian fitur tekstur akan diklasifikasi
menggunakan PNN. Selain menggunakan citra
tumbuhan
obat,
penelitian
ini
juga
menggunakan citra tanaman hias yang
sebelumnya digunakan oleh Kulsum (2010).
Hasil ekstraksi tekstur pada citra akan
dibandingkan antara metode FLBP dengan
LBP.
Tujuan Penelitian
Tujuan penelitian ini adalah mengetahui
perbandingan hasil ekstraksi citra tumbuhan
antara metode Local Binary Pattern dan Fuzzy
Local Binary Pattern.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah:
1 Data diperoleh dari hasil pengambilan citra
bagian daun tumbuhan obat sebanyak 30
jenis menggunakan kamera digital yang
berasal dari kebun Biofarmaka, Cikabayan
dan rumah kaca Pusat Konservasi Ex-situ
Tumbuhan Obat Hutan Tropika Indonesia,
Fahutan, IPB. Data citra tanaman hias yang
digunakan adalah 30 jenis tanaman hias
yang diperoleh dari penelitian Kulsum
(2010) dengan gambar citra keseluruhan.
2 Dalam penelitian ini, metode yang
digunakan
R yang mengacu pada
konsep original LBP.

TINJAUAN PUSTAKA
Ekstraksi Fitur
Fitur tekstur merupakan gambaran visual
dari sebuah permukaan atau bahan. Tekstur
dicirikan dengan variasi intensitas pencahayaan
pada
sebuah
citra.
Variasi intensitas
pencahayaan tersebut dapat disebabkan oleh
kekasaran atau perbedaan warna pada suatu
permukaan. Tekstur juga memuat informasi
area, keseragaman, kepadatan, kekasaran,
keberaturan, linearitas, keberarahan, dan
frekuensi.
Menurut
Mäenpää
(2003)
penampilan tekstur dipengaruhi oleh skala dan
arah pandangan, serta lingkungan dan kondisi
pencahayaan.

2

Tekstur
Tekstur adalah gambaran visual dari
sebuah permukaan. Tekstur permukaan
berasal dari keragaman bentuk, iluminasi,
bayangan, absorbsi, dan refleksi. Dalam citra
digital, tekstur dicirikan dengan variasi
intensitas atau warna. Variasi intensitas
disebabkan oleh perbedaan warna pada
suatu permukaan. Tekstur merupakan properti
dari area. Properti-properti dari tekstur citra
meliputi: keseragaman, kepadatan, kekasaran,
keberaturan, linearitas, keberarahan, dan
frekuensi (Mäenpää 2003).
Local Binary Pattern (LBP)
LBP pertama kali diperkenalkan pada tahun
1996 oleh Ojala untuk mendeskripsikan tekstur
dalam mode grayscale. Operator LBP
didasarkan pada 33 ketetanggaan yang
merepresentasikan tekstur lokal di sekitar pusat
piksel seperti yang diilustrasikan pada Gambar
1(a) (Iakovidis 2008).
Dalam representasi tekstur LBP, setiap
pola direpresentasikan oleh sembilan elemen
pcen e p p
p ,
dengan
pcen e
merepresentasikan nilai intensitas pada piksel
pusat dan pi
i
merepesentasikan nilai
piksel sekelilingnya (circular sampling). Nilai
delapan ketetanggaan yang mengelilingi pusat
piksel dapat dicirikan oleh nilai biner
di
i
seperti pada Gambar 1(b), yang
diperoleh menggunakan persamaan (1).

Berdasarkan nilai biner tersebut, setiap
ketetanggaan memiliki nilai LBP yang
dihasilkan oleh formula berikut:
di

LBP

i

i

(3)
Nilai yang dihasilkan menunjukkan kode
Local Binary Pattern. Kode-kode LBP tersebut
akan direpresentasikan melalui histogram.
Histogram akan menunjukkan frekuensi
kejadian berbagai nilai LBP. Untuk ukuran citra
N×M,
keseluruhan
nilai
LBP
dapat
direpresentasikan dengan membentuk histogram
berikut:
f

H(k) =
i

R

ij k k

j

(4)

f

(5)

=

dengan K merupakan nilai LBP terbesar.
Operator LBP juga dapat dikembangkan
menggunakan berbagai ukuran sampling points
dan radius (Gambar 2). Pada piksel
ketetanggaan, akan digunakan notasi (P,R)
dimana P merupakan sampling points dan R
merupakan radius (Ahonen 2008).

pi

d=

(1)

pi

(8,1)

dengan
pi

pi

Threshold

pcen e

(2)
Weights

(16,2)

(8,2)

Gambar 2 Ukuran circular neighborhood.
Fuzzy Local Binary Pattern (FLBP)
Fuzzifikasi pada pendekatan LBP meliputi
transformasi variabel input menjadi variabel
fuzzy berdasarkan sekumpulan fuzzy rule.
Dalam hal ini, digunakan dua fuzzy rule untuk
mendapatkan nilai biner dan nilai fuzzy
berdasarkan deskripsi relasi antara nilai pada
circular sampling pi dan piksel pusat pcen e
(Iakovidis 2008), yaitu :

(a)

(b)

(c)

Nilai LBP : 1 + 2 + 8 + 64 + 128 = 203
Gambar 1 Skema komputasi LBP.

Rule R0: Jika nilai pi lebih negatif, nilai
kepastian terbesar dari di adalah 0.
Rule R1: Jika nilai pi lebih positif, nilai
kepastian terbesar dari di adalah 1.

3

Total kontribusi ketetanggaan 33 ke dalam bin
histogram FLBP, yaitu:
(9)

Gambar 3 Membership function m
dan
m
sebagai fungsi dari pi.
Dari rules R0 dan R1, dua membership
function m
dan m
dapat ditentukan.
Fungsi m
mendefinisikan bahwa derajat di
adalah 0. Membership function m
adalah
fungsi menurun (Gambar 3) yang didefinisikan
sebagai berikut:

Pada Gambar 4, pendekatan FLBP
menghasilkan dua kode LBP sebagai penciri
ketetanggaan 3x3. Kode LBP tersebut akan
direpresentasikan dengan histogram yang
dihitung dengan menjumlahkan kontribusi dari
setiap nilai LBP.
0; 1 1; 1 0; 1
1; 1

1; 1 1; 1 0; 1

0; 1 1; 1 0; 1
1; 1


m i

pi

0; 0.1

1; 0.9

1; 1 1; 1 0; 1

(106; 0,1)
(122; 0.9)

pi

–

histogram

pi (6)
Sementara, membership function m
mendefinisikan bahwa derajat di adalah 1.
Fungsi m
didefinisikan sebagai berikut
(Gambar 3):


m i

pi

–

Probabilistic Neural Network (PNN)

pi

pi (7)
merepresentasikan parameter yang
akan mengontrol derajat ketidakpastian.
Metode original LBP hanya menghasilkan
satu kode LBP saja, sedangkan metode FLBP
akan menghasilkan satu atau lebih kode LBP.
Gambar 4 menyajikan contoh pendekatan
FLBP. Dua kode LBP (122, 106) mencirikan
ketetanggaan 3x3. Masing-masing nilai LBP
yang dihasilkan memiliki tingkat kontribusi
(0.9, 0.1) yang berbeda, bergantung pada nilainilai fungsi keanggotaan m
dan m
yang
dihasilkan. Untuk ketetanggaan 33, kontribusi
CLBP dari setiap kode LBP pada histogram
FLBP didefinisikan sebagai berikut (Keramidas
2008):
mdi i

Gambar 4 Skema komputasi FLBP, dengan
F =10.

(8)

PNN merupakan Artificial Neural Network
(ANN) yang menggunakan teorema probabilitas
klasik
(pengklasifikasian
Bayes).
PNN
diperkenalkan oleh Donald Specht pada tahun
1990. PNN menggunakan pelatihan (training)
supervised. Training data PNN mudah dan
cepat. Menurut Wu et al. (2007), PNN memiliki
struktur sederhana dan training data yang cepat
karena tidak perlu memperbaharui bobot.
Struktur PNN terdiri atas empat lapisan,
yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan, dan lapisan keputusan/keluaran.
Lapisan masukan merupakan objek
yang
terdiri atas k nilai ciri yang akan
diklasifikasikan pada n kelas. Struktur PNN
ditunjukkan pada Gambar 5. Proses-proses yang
terjadi setelah lapisan masukan adalah:
1 Lapisan pola (pattern layer)
Lapisan pola menggunakan 1 node untuk
setiap data pelatihan yang digunakan. Setiap
node pola merupakan perkalian titik (dot
product) dari vektor masukan yang akan

4

diklasifikasikan dengan vektor bobot
ij , yaitu
i
ij,
i kemudian dibagi
d g
b
t rt tu σ d
jut
dimasukkan ke dalam fungsi radial
basis, yaitu adba n e p -n . Dengan
demikian, persamaan yang digunakan pada
lapisan pola adalah.
f

- ij

- ij

e p

(10)

σ

tumbuhan obat yang terdapat di kebun
Biofarmaka IPB, Cikabayan dan rumah kaca
Pusat Konservasi Ex-situ Tumbuhan Obat
Hutan Tropika Indonesia, Fahutan, IPB. Citra
yang digunakan berformat JPG, yang masingmasing terdiri atas 30 kelas. Setiap jenis
daun terdiri atas 24 pose citra bagian depan
dan 24 pose citra bagian belakang sehingga
terdapat 1 440 total citra daun tumbuhan obat
yang disajikan pada Lampiran 1.
Penelitian ini juga menggunakan 300 citra
keseluruhan tanaman hias dari Kebun Raya
Bogor yang digunakan oleh Kulsum (2010).
Penggunaan data citra tanaman hias ini
bertujuan menganalisis kinerja FLBP pada citra
yang memiliki latar belakang. Tiga puluh jenis
tanaman hias yang digunakan disajikan pada
Lampiran 2.
Citra Tumbuhan
Obat

Citra
Keseluruhan

Lapisan
Masukan

Lapisan
Pola

Lapisan
Penjumlahan

Citra Daun

Lapisan
Keputusan

Gambar 5 Struktur PNN.
2 Lapisan penjumlahan (summation layer)
Citra Grayscale

Lapisan penjumlahan menerima masukan
dari node lapisan pola yang terkait dengan
kelas yang ada. Persamaan yang digunakan
pada lapisan ini adalah:
t

p(x)
k

k

k

j

j

σ
(11)

3

Ekstraksi Tekstur

Lapisan keluaran (output layer)
Lapisan keluaran menentukan kelas dari
input yang diberikan. Input x akan masuk ke
paling besar dibandingkan
Y jika nilai p
dengan kelas lainnya.

LBP

FLBP

Histogram
LBP

Histogram
FLBP

PNN

Citra Kueri

Ekstraksi Tekstur

METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa
tahap. Tahap-tahap tersebut diselesaikan dengan
metode penelitian yang dapat dilihat pada
Gambar 6.
Data Citra Tumbuhan
Citra yang digunakan diperoleh dari
pemotretan tiga puluh jenis citra daun dari

PNN

Model
Klasifikasi
LBP

Hasil
Identifikasi
Citra

Histogram

Model
Klasifikasi
FLBP

Hasil
Identifikasi
Citra

Gambar 6 Metode Penelitian.

5

Praposes
Pada tahap praproses, dilakukan perbaikan
pada citra daun dan citra keseluruhan.
Selanjutnya, citra tersebut diubah menjadi mode
grayscale untuk diproses pada tahap ekstraksi.

merupakan banyaknya nilai piksel pi yang
berada di rentang fuzzy antara –F sampai F.
Seperti pada ilustrasi pada Gambar 7 dengan
F = 10.
12

Ekstraksi Fitur Tekstur
Proses ekstraksi teksur pada penelitian ini
menggunakan metode
R . Citra akan
dibagi ke dalam beberapa blok (local region)
sesuai dengan operator circular neighborhood
(sampling points dan radius) yang digunakan.
Penelitian ini menggunakan dua ukuran circular
neighborhood yang disajikan pada Tabel 1.

8

-20

-30

-15

20 15

5

Kode LBP

Tabel 1 Ukuran circular neighborhood
(P,R)

Ukuran Blok
(piksel)

Kuantisasi
sudut

(8,1)

3x3

45 derajat

(8,2)

5x5

45 derajat

Derajat keanggotaan piksel
Gambar 7 Proses Fuzzy thresholding.

Ekstraksi
tekstur
dilakukan
dengan
konvolusi blok citra menggunakan operator
yang disajikan pada Tabel 1. Nilai LBP akan
direpresentasikan melalui histogram FLBP.
Histogram tersebut menggambarkan frekuensi
dari kontribusi nilai LBP yang muncul pada
sebuah citra. Masing-masing blok diektraksi
menggunakan metode
R.
Ekstraksi tekstur
R dilakukan dengan
mengolah setiap blok menggunakan persamaan
(2) untuk mencari selisih dari piksel tetangga
dengan piksel pusat. Dari setiap blok pi yang
didapat, akan dihasilkan satu atau lebih nilai
LBP dan nilai kontribusinya.
Blok yang berisikan nilai pi, selanjutnya
akan melalui proses fuzzy tresholding
berdasarkan Rule R0 dan Rule R1 dengan aturan
berikut:
pi
di

-

 pi

pi
Parameter fuzzifikasi (F) yang digunakan
dalam penelitian berkisar antara 0 sampai 20
untuk citra tumbuhan obat, sedangkan untuk
citra tanaman hias berkisar antara 0 sampai 40.
Parameter F = 0 merupakan original LBP yang
akan dibandingkan hasilnya dengan penggunaan
parameter F > 0 sebagai hasil dari metode
FLBP. Melalui proses fuzzy tresholding, akan
dihasilkan nilai LBP sebanyak 2n, dengan n

Pada ilustrasi di atas terdapat dua nilai
yang berada di rentang fuzzy (pi
).
Akan dihasilkan sebanyak 22 = 4 nilai biner
yaitu, 11001110, 11000110, 10001110, dan
10000110.
Nilai
biner
tersebut
akan
menghasilkan
nilai
LBP
menggunakan
persamaan (3). Selain itu, nilai biner juga
menentukan perhitungan masuknya nilai pi ke
membership function yang akan menghasilkan
nilai derajat keanggotaan dari setiap piksel.
Nilai biner 0 akan didefinisikan dengan fungsi
m
pada persamaan (6), sedangkan nilai biner
1 akan didefinisikan dengan fungsi m
pada
persamaan (7).
Hasil dari pengolahan setiap blok
direpresentasikan melalui histogram, dengan
frekuensinya merupakan penjumlahan dari
kontribusi nilai LBP seluruh blok pada citra.
Kontribusi masing-masing nilai LBP didapatkan
dengan persamaan (8). Jumlah nilai kontribusi
pada tiap blok ketetanggaan 3x3 adalah 1
(persamaan (9)). Jumlah bin pada histogram
FLBP sebanyak 2P, dengan P merupakan
jumlah dari sampling points.
Klasifikasi dengan Probabilistic Neural
Network (PNN)
Setelah proses ekstraksi citra dilakukan,
diperoleh hasil vektor histogram untuk
setiap operator. Tahap selanjutnya adalah
menglasifikasi vektor-vektor histogram tersebut
dengan PNN. Klasifikasi dilakukan dengan
membagi data latih dan data uji. Data uji yang
digunakan pada data citra daun tumbuhan obat
sebanyak 10 citra dari setiap kelas dan untuk
data citra tanaman hias sebanyak tiga citra dari

6

setiap kelas. Selanjutnya, diperoleh model
klasifikasi dari hasil training data.
Model klasifikasi digunakan untuk proses
pengujian. Setiap citra harus diekstraksi terlebih
dahulu. Hasil identifikasi citra menggunakan
FLBP akan dibandingkan dengan hasil
identifikasi citra keseluruhan menggunakan
LBP. Klasifikasi dilakukan menggunakan PNN
dengan menerapkan bias yang berbeda-beda
untuk setiap operator karena dimensi vektor
histogram setiap operator berbeda-beda.
Normalisasi dilakukan pada vektor histogram
agar perhitungan tidak menghasilkan bilangan
yang terlalu besar atau kecil yang tidak bisa
dilakukan oleh mesin komputer.
Pengujian dengan Sistem
Pengujian data dilakukan oleh sistem
dengan
penilaian
tingkat
keberhasilan
klasifikasi terhadap citra kueri. Evaluasi kinerja
model klasifikasi didasarkan pada banyaknya
data uji yang diprediksi secara benar dan tidak
benar oleh model. Hal ini dapat dihitung
menggunakan akurasi yang didefinisikan
sebagai berikut:
aku a i

ban akn a p edik i ang bena
o al ban akn a p edik i

Psidium guajava L.

Anthurium sp.
Gambar 8 Hasil praproses citra.
Hasil Ekstraksi Tekstur dengan LBP dan
FLBP
Citra hasil praproses digunakan sebagai
masukan pada proses ekstraksi dengan
Ekstraksi
dilakukan
R.
R
menggunakan ukuran circular neighborhood
yang tertera pada Tabel 1. Fitur FLBP yang
dihasilkan diekstrak dengan menggunakan
parameter fuzzifikasi (F) yang berbeda.
Penggunaan F = 0 menghasilkan fitur LBP.
Hasil ekstraksi dengan menggunakan LBP
dapat dilihat pada Gambar 9.

(12)

Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam
penelitian ini adalah processor I t ® C r ™
Duo 2.10 GHz, memori DDR3 RAM 2.00 GB,
dan harddisk 320 GB. Perangkat lunak yang
digunakan adalah Sistem Operasi Windows 7
Ultimate, library OpenCv 2.1, dan Visual C++.

HASIL DAN PEMBAHASAN
Hasil Praproses

Perbaikan data citra tumbuhan obat pada
tahap praproses dilakukan dengan menyeleksi
objek satu daun dan memperkecil ukuran citra
menjadi 270x240 piksel. Pada data citra
keseluruhan, Kulsum (2010) melakukan tahap
praproses dengan memotong citra untuk
mendapatkan objek tanaman hias dan
memperkecil ukuran citra menjadi 270x210
piksel. Mode warna citra keseluruhan dan citra
daun kemudian diubah menjadi grayscale untuk
proses ekstraksi selanjutnya. Hasil praproses
data bertujuan mengurangi waktu pemrosesan
data (running time). Hasil praproses data dapat
dilihat pada Gambar 8.

Jatropha curcas Linn.
247

251

253 251 252

240

190

152 211 250

159

130

114 158 219

104

85

96

107 160

74

69

80

89

117

Nilai keabuan piksel
(a)
135 159

31

135 143

14

143

31

15

Nilai LBP
(b)
Gambar 9 Hasil ekstraksi LBP.
Pada Gambar 9, diambil sebagian kecil
daerah citra tumbuhan obat sebesar 5x5 piksel.
Setiap blok pada citra tersebut diekstraksi
dengan metode LBP menggunakan ukuran
sampling point P = 8 dan radius R = 1 yang
menghasilkan satu nilai LBP. Nilai LBP
tersebut didapatkan dari proses tresholding
antara piksel pusat dan piksel tetangga. Nilainilai piksel yang terkandung pada Gambar 9(a)
hampir memiliki pola nilai yang seragam.

7

Namun, setelah diekstraksi, representasi tekstur
nilai LBP yang dihasilkan pada Gambar 9(b)
memiliki rentang nilai LBP yang jauh berbeda
antara beberapa blok ketetanggaan.
Hasil ekstraksi menggunakan FLBP dengan
parameter fuzzifikasi F = 19 dapat dilihat pada
Gambar 10 yang menunjukkan matriks hasil
nilai LBP dengan menggunakan fuzzifikasi.
Pada
proses
fuzzifikasi,
satu
daerah
ketetanggaan 3x3 akan menghasilkan satu
sampai 2n nilai LBP dengan n merupakan
banyaknya nilai pi (selisih antara piksel pusat
dan piksel tetangga) yang masuk kedalam
rentang fuzzy. Proses tersebut dapat mengatasi
masalah representasi tekstur yang dihasilkan
oleh metode original LBP yang cenderung
memiliki perbedaan rentang nilai LBP yang
jauh antara tetangganya.

Masing-masing nilai LBP yang dihasilkan
memiliki kontribusi (CLBP) yang berbeda.
Nilai LBP dengan kontribusi terbesar adalah
nilai LBP yang sama besarnya dengan hasil
dari original LBP. Pada Gambar 10(b),
dapat dilihat piksel pusat memiliki delapan
nilai LBP. Nilai LBP = 143 adalah nilai yang
juga dihasilkan oleh metode original LBP. Nilai
LBP tersebut memiliki kontribusi tertinggi
dibandingkan
dengan
yang
lainnya,
yaitu sebesar 0.613. Besarnya kontribusi
menggambarkan derajat keanggotaan. Nilainilai LBP yang dihasilkan pada piksel pusat
dapat menggambarkan kedekatan nilai antara
piksel tetangga yang mengelilinginya. Maka
dari itu, dengan menggunakan FLBP akan
dihasilkan representasi tekstur yang lebih
seragam dan lebih halus dibandingkan dengan
menggunakan metode LBP.
Perbandingan Histogram Hasil Ekstraksi
Tekstur dengan LBP dan FLBP
Hasil ektraksi yang dihasilkan dengan
original LBP dan FLBP direpresentasikan
dalam bentuk histogram. Perbandingan hasil
ektraksi antara LBP dan FLBP dalam bentuk
histogram dapat dilihat pada Gambar 11.
Histogram LBP tersebut merupakan hasil
ekstraksi
R dengan parameter fuzzifikasi
F = 0. Sementara itu, histogram FLBP
dihasilkan dari ekstraksi dengan menggunakan
F = 19.

Jatropha curcas Linn.
247

251

253 251

252

240

190

152 211

250

159

130

114 158

219

104

85

96

107

160

74

69

80

89

117

Nilai keabuan piksel
(a)
135

143; 159

15; 31

135; 143

143; 159; 15; 31; 175;
191; 47; 63

14; 15; 30; 31

135; 143; 151; 159;
167; 175; 183; 191;
199; 207; 215; 223;
231; 239; 247; 255

5; 7; 13; 15;21; 23;
29;31; 37;39;45; 47;53;
55; 61;63; 133; 135;
141;143;149; 151; 157;
159; 165; 167;173; 175;
181; 183;189; 191

15; 31; 143; 159

Nilai LBP
(a)
Gambar 10 Hasil ekstraksi FLBP.
Banyaknya nilai LBP yang dihasilkan setiap
blok ketetanggaan bergantung pada variasi nilai
piksel yang ada pada blok tersebut. Terlihat
pada blok ketetanggaan dengan piksel pusat 96
yang menghasilkan nilai LBP yang lebih
banyak dibandingkan dengan blok lainnya
karena pada blok ketetanggan tersebut terdapat
nilai-nilai piksel yang sangat variatif
dibandingkan dengan blok lainnya.

Frekuensi histogram yang ditunjukan
Gambar 11 merupakan pertambahan CLBP dari
nilai LBP yang dihasilkan. Panjang bin yang
dihasilkan pada histogram
R bergantung
pada jumlah sampling points (P) yang
digunakan, yaitu 2P. Pada penelitian ini, jumlah
P yang digunakan adalah 8 sehingga jumlah bin
8
pada histogram
R sebanyak 2 = 256
bin.
Dapat dilihat pada Gambar 11, histogram
LBP memiliki frekuensi yang sangat fluktuatif
sehingga
kurang
bisa
menggambarkan
pola dengan baik. Bin yang berada pada
rentang 0-35 pada histogram LBP yang
terlihat sangat fluktuatif. Kekurangan itu
disebabkan proses tresholding pada LBP
menyebabkan representasi teksturnya kurang
baik. Dibandingkan dengan histogram FLBP,
bin 0-35 frekuensinya cenderung lebih seragam.
Hal ini dikarenakan FLBP dapat menghasilkan
lebih dari 1 nilai LBP yang memiliki kedekatan
nilai dengan piksel tetangganya sehingga
representasi teksturnya lebih baik.

Histogram LBP

500
450
400
350
300
250
200
150
100
50
0

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

Frekuensi

8

Nilai LBP

(a)

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

Frekuensi

Histogram FLBP
500
450
400
350
300
250
200
150
100
50
0
Nilai LBP

(b)
Gambar 11 Perbandingan histogram LBP (a) dan histogram FLBP (b) pada citra tumbuhan obat.
Identifikasi Citra Operator FLBP
Identifikasi dilakukan dengan menggunakan
Probabilistic Neural Network (PNN) classifier.
Hasil ekstraksi citra menggunakan seluruh
operator FLBP menghasilkan vektor-vektor
histogram. Klasifikasi pada citra tumbuhan obat
dilakukan dengan membagi data latih 38 citra
dan data uji 10 citra, sedangkan pada citra
tanaman hias dilakukan dengan membagi data
latih tujuh citra dan data uji tiga citra.
Hasil identifikasi oleh descriptor
R
untuk citra tumbuhan obat disajikan pada
Gambar 12 dan citra tanaman hias disajikan
pada Gambar 13. Grafik menunjukkan hasil
identifikasi fitur-fitur FLBP yang diekstrak
menggunakan nilai parameter fuzzifikasi (F)
yang berbeda. Parameter F = 0 menunjukkan
hasil dari original LBP. Hasil akurasi
didapatkan dengan melakukan klasifikasi
pada setiap parameter. Pengujian parameter F
dilakukan untuk mencari nilai F optimum
yang menghasilkan akurasi terbaik. Pada
grafik dapat dilihat bahwa metode FLBP
lebih baik dibandingkan dengan LBP
karena meningkatkan akurasi untuk setiap
F > 0.

Gambar 12 menunjukkan bahwa hasil
identifikasi citra tumbuhan obat dengan
parameter fuzzifikasi F = 4 menghasilkan
akurasi tertinggi di setiap operator
R,
yaitu 65% untuk operator (8,1) dan 66.33%
untuk operator (8,2). Hasil identifikasi terbaik
pada citra tanaman hias yang ditunjukan pada
Gambar 13. Hasil grafik menunjukkan akurasi
terbaik pada operator (8,1) diperoleh
menggunakan F = 19 dan F = 18 dengan
akurasi sebesar 76.66% dan untuk operator (8,2)
didapatkan akurasi terbaik sebesar 81.11%
dengan parameter F = 18.
Pada tanaman hias, dua parameter berbeda
menghasilkan akurasi yang sama, namun
parameter terbaik yang digunakan adalah
parameter terkecil, yaitu F = 18. Hal ini
dikarenakan adanya pengaruh besarnya
parameter terhadap waktu komputasi. Semakin
besar rentang nilai parameter, semakin banyak
piksel yang harus diproses dalam perhitungan
fuzzy. Citra tanaman hias memiliki gambar yang
lebih kompleks sehingga rentang parameter
yang digunakan lebih besar dibandingkan
dengan citra tumbuhan obat. Semakin beragam
nilai piksel pada citra, rentang fuzzy akan
semakin besar.

Akurasi (%)

9

FLBP (8,1)

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

1

2

3

4

5

6

7

8 9 10 11 12 13 14 15 16 17 18 19 20
Parameter fuzzifikasi F

Akurasi (%)

(a)
FLBP (8,2)

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

1

2

3

4

5

6

7 8 9 10 11 12 13 14 15 16 17 18 19 20
Parameter fuzzifikasi F

(b)

Akurasi (%)

Gambar 12 Hasil akurasi klasifikasi citra tumbuhan obat.
FLBP (8,1)

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

2

4

6

8

10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40
Parameter fuzzifikasi F

Akurasi (%)

(a)
FLBP (8,2)

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

2

4

6

8

10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40
Parameter fuzzifikasi F

(b)
Gambar 13 Hasil akurasi klasifikasi citra tamanan hias.

10

Pengujian data
Pengujian identifikasi citra dilakukan
oleh sistem. Sistem yang dibuat bernama
Fexsys. Citra kueri masukan akan diekstraksi
dan diidentifikasi. Kemudian, sistem akan
mengeluarkan hasil ekstraksi dan hasil
identifikasi citra kueri tersebut. Hasil
identifikasi citra akan mengeluarkan nama citra
kueri dan informasi lebih lanjut mengenai citra
kueri tersebut.
Sepuluh data uji untuk setiap kelas
digunakan untuk mengidentifikasi citra
tumbuhan obat oleh sistem. Hasil akurasi
identifikasi setiap kelas ditunjukan oleh Gambar
14. Grafik pada gambar didapat dari hasil
akurasi LBP yang dibandingkan dengan hasil
akurasi tertinggi FLBP (8,2) dengan F = 4.

Akurasi (%)

LBP (8,2)
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

Oleh karena itu, identifikasi daun yang
memiliki variasi warna memerlukan konsep
fuzzy.
Tabel 2 Kelas citra tumbuhan obat yang tidak
terklasifikasi dengan LBP
Kelas

Nama

14

Tabat Barito

15

Nandang Gendis

21

Nanas Kerang

23

Remak Daging

24

Kumis Kucing

25

Kemuning

Citra Tumbuhan
Obat

29

Kelas

(a)

Akurasi (%)

FLBP(8,2) dengan F = 4
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

Gambar 14 Perbandingan hasil akurasi
identifikasi setiap kelas citra
tumbuhan obat dengan LBP (a)
dan FLBP (b).

Pada hasil klasifikasi dengan menggunakan
FLBP, dari 30 kelas ada sebanyak 4 kelas yang
selalu benar terklasifikasi dengan akurasi 100%.
Kelas-kelas tersebut antara lain kelas 2
(Jatropha curcas Linn), kelas 7 (Centella
asiatica), kelas 26 (Mesona palustris), dan kelas
29 (Psidium guajava L.).

Pada Gambar 14(a), terdapat enam kelas
citra tumbuhan obat yang tidak terklasifikasi
dengan metode LBP, namun kelas-kelas
tersebut
dapat
terklasifikasi
dengan
menggunakan metode FLBP (Gambar 14(b)).
Enam kelas tersebut dapat dilihat pada Tabel 2.

Kelas citra tumbuhan obat yang selalu
terklasifikasi dengan benar memiliki warna
yang seragam dan kualitas citra yang baik, dari
segi pencahayaan maupun kontras. Gambar 15
adalah contoh citra yang selalu terklasifikasikan
dengan benar.

Kelas-kelas yang tidak terklasifikasi dengan
menggunakan LBP memiliki perbedaan warna
antara daun bagian depan dan bagian belakang.
Selain itu, warna daun juga bergradasi. Dengan
menggunakan fuzzy, kelas-kelas tersebut dapat
diklasifikasi meskipun akurasinya tidak tinggi.

Gambar 15 Kelas citra tumbuhan obat yang
selalu benar terklasifikasi.

Kelas

(b)

11

Akurasi (%)

Pada citra tanaman hias, diambil tiga data
uji di setiap kelas untuk diidentifikasi oleh
sistem. Gambar 16 menunjukkan hasil akurasi
identifikasi setiap kelas citra tanaman hias.
Grafik pada gambar didapat dari hasil akurasi
LBP yang dibandingkan dengan hasil akurasi
tertinggi FLBP (8,2) dengan F = 18.
LBP (8,2)

100
90
80
70
60
50
40
30
20
10
0

Kelas-kelas yang tidak terklasifikasi dengan
menggunakan LBP memiliki background yang
berbeda-beda pada setiap citra, namun dengan
menggunakan fuzzy kelas-kelas tersebut dapat
terklasifikasi.
Kelas citra tanaman hias yang selalu
terklasifikasi dengan benar memiliki jenis daun
dengan warna yang bergradasi dan memiliki
komposisi background yang hampir seragam.
Gambar 17 adalah contoh citra yang selalu
terklasifikasikan dengan benar.

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

(a)

Akurasi (%)

FLBP(8,2) dengan F = 18
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

(b)
Gambar 16 Perbandingan hasil akurasi
identifikasi setiap kelas citra
tanaman hias dengan LBP (a)
dan FLBP (b).
Pada Gambar 16(a), terdapat dua kelas citra
tumbuhan obat yang tidak terklasifikasi dengan
metode LBP, namun kelas-kelas tersebut dapat
terklasifikasi dengan menggunakan metode
FLBP. Dua kelas tersebut dapat dilihat pada
Tabel 3.
Tabel 3 Kelas citra tanaman hias yang tidak
terklasifikasi dengan LBP
Kelas

Nama

16

Anggrek Batu

29

Nanas Kuning

Citra Tanaman
Hias

Gambar 17 Kelas citra tanaman hias yang
selalu benar terklasifikasi.
Berdasarkan hasil pengujian setiap kelas
baik citra tumbuhan obat maupun tanaman hias,
menjadi descriptor terbaik yang
digunakan untuk tahap proses ekstraksi. Nilai
akurasi terbaik yang didapatkan menggunakan
66.33% untuk citra tumbuhan obat
dengan F = 4 dan sebesar 81.11% untuk citra
tanaman hias dengan F = 18. Hasil akurasi pada
citra tanaman hias yang dihasilkan meningkat
7.78% dari penelitian sebelumnya yang
dilakukan oleh Kulsum (2010) menggunakan
descriptor
dengan pencapaian akurasi
sebesar 73.33%. Citra keseluruhan tanaman hias
dengan gambar citra yang memiliki background
menghasilkan akurasi yang baik dibandingkan
dengan citra bagian daun tumbuhan obat,
karena metode FLBP sangat cocok untuk citra
yang memiliki struktur tekstur yang kompleks.
Pengembangan Sistem
Pengembangan sistem pada penelitian ini
menggunakan Visual C++ yang dibantu dengan
library OpenCV 2.1 untuk pengolahan citra.
Sistem yang dibangun dapat melakukan
ekstraksi database citra yang akan diproses
pada tahap pelatihan. Setelah melalui tahap
pelatihan data, sistem dapat melakukan
identifikasi dengan masukan citra tumbuhan.
Antarmuka sistem yang telah dibangun dapat
dilihat pada Lampiran 3.

12

KESIMPULAN DAN SARAN
Kesimpulan
Penerapan FLBP untuk representasi tekstur
yang lebih baik berhasil diimplementasikan.
FLBP dapat mengatasi masalah representasi
tekstur yang dihasilkan oleh metode original
LBP dengan cara menghasilkan nilai-nilai LBP
yang menggambarkan hubungan kedekatan
antara piksel. Hasil akurasi yang disajikan juga
menunjukkan bahwa kinerja fitur FLBP lebih
unggul dibandingkan dengan kinerja yang
diperoleh dari fitur original LBP.
Metode
dengan F = 4 merupakan
descriptor terbaik untuk identifikasi citra
tumbuhan obat dengan akurasi klasifikasi
66.33%.
Demikian
pula
pada
citra
tanaman hias, penggunaan descriptor
menghasilkan akurasi terbaik sebesar 81.11%
dengan F = 18. Citra keseluruhan tanaman hias
dengan gambar citra yang memiliki background
menghasilkan akurasi yang baik dibandingkan
dengan citra bagian daun tumbuhan obat,
karena metode FLBP sangat cocok untuk citra
yang memiliki struktur tekstur yang kompleks.
Saran
Perbanyakan database citra dengan kualitas
yang baik perlu dilakukan untuk mendapatkan
identifikasi
citra
yang
lebih
sesuai.
Pengembangan menggunakan komputasi paralel
untuk mendapatkan parameter fuzzy yang
optimal karena metode FLBP memiliki waktu
komputasi yang eksponensial.

DAFTAR PUSTAKA
Acharya T, Ray A. 2005. Image Processing
Principles and Aplications. New Jersey:
John Wiley & Sons Inc.
Ahonen T, Pietikainen M. 2008. Soft Histogram
for Local Binary Patterns. Oulu: Oulu
University Press.

Iakovidis DK, Keramidas EG, Maroulis D.
2008. Fuzzy Local Binary Patterns for
ultrasound texture characterization. Di
dalam: A. Campilho and M. Kamel, editor.
Proceedings of the 5th International
Conference on Image Analysis and
Recognition; Póvoa de Varzim, 25-27 Jun
2008. Heidelberg: Spinger. hlm 750-759.
Keramidas EG, Iakovidis DK, Maroulis D,
Dimitropoulos N. 2008. Thyroid texture
representation via noise resistant image
feature. Di dalam: Computer-Based Medical
System, editor. Proceedings of the 2008 21st
IEEE International Symposium; Jyvaskyla,
17-19 Jun 2008. Washington: IEEE
Computer Society. hlm 560-565.
Kulsum LU. 2010. Identifikasi tanaman hias
secara otomatis menggunakan metode Local
Binary Patterns descriptor dan Probabilistic
Neural Network .[skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Nugroho IA. 2010. Lokakarya tumbuhan obat
Indonesia[editorial]. Asia Pasific Forest
Genetic Resource Programme 2: 1-2.
Mäenpää T. 2003. The Local Binary Pattern
Approach to Texture Analysis. Oulu: Oulu
University Press.
Ojala T, Pietikäinen M, Mäenpää T. 2002.
Multiresolution gray-Scale and rotation
invariant texture classification with Local
Binary Pattern. IEEE Transactions on PAMI
24(7): 2037-2041.
Wu SG, et al. 2007. A Leaf Recognition
Algorithm for Plant Using Probabilistic
Neural Network. Cina: Chinese Academy
Science.
Zuhud EAM. 2009. Potensi hutan tropika
sebagai penyangga bahan obat alam untuk
kesehatan bangsa. Jurnal Bahan Alam
Indonesia VI(6).

13

LAMPIRAN

14

Lampiran 1 Tiga puluh citra tumbuhan obat
No

Nama (Nama Latin)

Khasiat

Pandan Wangi
(Pandanus
amaryllifolius Roxb)

Mengatasi rambut rontok,
menghitamkan rambut,
menghilangkan ketombe,
lemah saraf.

2

Jarak Pagar (Jatropha
curcas Linn)

Mengatasi bengkak,
terpukul, terkilir, gatalgatal, lepra, borok,
rematik, penyubur
rambut).

3

Dandang Gendis
(Clinacanthus nutans
Lindau)

Dapat melancarakan air
seni dan mengobati luka
luar.

4

Lavender (Lavendula
afficinalis Chaix)

Dapat mengusir nyamuk
dan ngengat dan
mengurangi bau badan.

5

Akar Kuning
(Arcangelisiaflava L.)

Mengatasi
hepatoprotektor(lever)
dan anti malaria.

6

Daruju (Acanthus
ilicifolius L.)

Mengatasi hepatitis akut
dan kronis, pembesaran
kelenjar limpa, dan nyeri
lambung.

7

Pegagan (Centella
asiatica, (Linn)
Urban.)

Mengatasi tipus, busung,
sakit kepala, influenza
dan ayan (seluruh
tanaman).

8

Andong (Centella
asiatica, (Linn)
Urban.)

Mengatasi diare, disentri,
nyeri lambung, dan ulu
hati dan luka berdarah.

9

Kemangi (Ocimum
basilicum)

Mengatasi demam, sakit
kepala, dan nyeri
lambung.

10

Iler (Coleus
scutellarioides,
Linn,Benth)

1

Citra Tumbuhan Obat

15

Lanjutan
No

Citra Tumbuhan Obat

Nama (Nama Latin)

Khasiat
Mengatasi amandel,
ambien, sesak nafas,
influenza, dan batuk.

11

Jeruk Nipis (Citrus
aurantifolia, Swingle)

12

Bidani (Quisqualis
indica L.)

Dapat membersihkan
darah, obat cacing, dan
nipas.

13

Gadung Cina (Smilax
china)

Mengatasi diabetes jika
dikonsumsi umbinya.

14

Tabat Barito (Ficus
deloidea L.)

15

Nandang Gendis
Kuning

16

Bunga Telang (Clitoria
ternatea L.)

Mengatasi busung air,
radang selaput, dan
cacingan (daun, bunga,
biji).

17

Mangkokan
(Nothopanax
scutellarium Merr.)

Mengatasi radang
payudara, melancarkan
air seni, dan bau badan.

18

Som Jawa (Talinum
paniculatum (jacq.)
Gaertn.)

Mengatasi batuk darah
dan diare.

19

Pungpulutan (Urena
lobata L.)

Antiinflamasi,
antirematik, hemostatik,
dan antipiretik.

20

Sosor Bebek
(Kalanchoe pinnata
(Lam.)Pers)

Mengatasi sakit panas,
sakit kepala, batuk, dan
melancarkan air seni.

Mengatasi stroke.

Dapat melancarkan air
seni dan luka luar(daun).

16

Lanjutan
No

Citra Tumbuhan Obat

Nama (Nama Latin)

Khasiat

21

Nanas Kerang (Rhoeo
discolor (L.Her.)
Hance)

22

Seligi (Phyllanthus
buxifolius Muell)

23

Remak Daging
(Excecaria bicolor
Hassk)

Mengatasi batuk darah
dan muntah darah.

24

Kumis Kucing
(Orthosiphon aristatus
(B1) Miq.)

Mengatasi sakit ginjal
dan kandung kencing.

25

Kemuning (Murraya
paniculata Jack.)

26

Cincau Hitam (Mesona
palustris)

Mengatasi panas dalam,
dan melancarkan
pencernaan.

27

Sambang Darah
(Excoceria
cochinchinensis Lour.)

Membunuh parasit,
gatal-gatal, dan penghenti
pendarahan.

28

Landik (Barleria
lupulina Lindl.)

Mengatasi gigitan anjing
dan ular berbisa,
bengkak, terpukul, bisul,
dan luka berdarah

29

Jambu Biji (Psidium
guajava L.)

Mengatasi diare, peluruh
haid, dan mencegah
demam berdarah.

Handeuleum
(Graptophyllum pictum
(L.) Griffith.)

Menghaluskan kulit,
mematangkan bisul,
pencahar, peluruh air
kencing, menghentikan
pendarahan, dan
melancarkan haid (daun).

30

Obat batuk.

Mengatasi sendi terkilir.

Mengatasi radang saluran
nafas, infeksi saluran
kencing, keseleo, sakit
gigi, dan reumatik.

17

Lampiran 2 Tiga puluh jenis citra tanaman hias
No

Citra Tanaman Hias

Nama Latin

Nama Lain

1

Dracaena draco

Pohon Darah Naga, Pardon Bali,
Drasena (Indonesia), Dragon Blood
tree (Inggris)

2

Anthurium sp.

Kuping Gajah (indonesia), Tail
Flower, Crystal Anthurium, dan
Black Velvet (Inggris)

3

Sansevieria
goldenhahnii

Kaktus Kodok (Indonesia)

4

Peperomia argyreia

Peperomia (Indonesia), Pepper
Elder atau Dessert Priest (Inggris)

5

Aglaonema sp.
(Silver Queen)

Aglaonema atau Sri Rezeki
(Indonesia) dan Shinese Evergreen
(Inggris)

6

Aglaonema sp.
(White Spots)

Aglaonema atau Sri Rezeki
(Indonesia) dan Shinese Evergreen
(Inggris)

7

Aglaonema sp.
(Snow White)

Aglaonema atau Sri Rezeki
(Indonesia) dan Shinese Evergreen
(Inggris)

8

Dendrobium sp.

Anggrek Dendrobium (Indonesia)
dan Orchids (Inggris)

9

Furcraea foetida

Green Aloe (Inggris)

10

Dendrobium sp.

Anggrek Dendrobium (Indonesia)
dan Orchids (Inggris)

18

Lanjutan
No

Citra Tanaman Hias

Nama Latin

Nama Lain

11

Dendr