BAB IV HASIL DAN PEMBAHASAN
4.1.Ekstraksi Fitur Citra Daun Tumbuhan Obat
Pada penelitian ini ekstraksi fitur citra tumbuhan obat dilakukan dengan
dua metode yaitu dimensi fraktal dan kode fraktal.
4.1.1. Ekstraksi Fitur dengan Dimensi Fraktal Fraktal Dimension
Dimensi fraktal citra daun tumbuhan obat dihitung menggunakan metode Box Counting. Contoh penghitungan dimensi fraktal global untuk citra daun Jarak
Pagar adalah sebagai berikut : 1.
Membagi citra daun ke dalam kotak-kotak dengan ukuran r. Seperti ditunjukan pada Gambar 10.
R =11, N=1
R =12, N=4 R =14, N=14
r =1, N=1 r =2, N=4
r =4, N=14 r =8, N=47
r =16, N=148 Gambar 10 Citra daun dibagi ke dalam kotak-kotak ukuran r.
22
2. Mengidentifikasi Nilai r dan N
r 1
12 14
18 116
N 1
4 14
47 148
3. Menghitung nilai Log 1r dan LogN
Log 1r 0,30103
0,60206 0,90309
1,20412 Log N
0,60206 1,14613
1,6721 2,17026
4. Menampilkan grafik nilai Log 1r dan LogN. Seperti ditunjukan pada
Gambar 11.
Gambar 11 Grafik nilai perbandingan nilai Log 1r dan Log N.
4. Mengitung nilai kemiringan garis sebagai dimensi fraktal seperti ditunjukan
pada Tabel 1. Tabel 1 Perhitungan nilai x dan y
n X
Y XY
X2 Y2
Log 1r LogN
1 2
0,30103 0,60206
0,18124 0,09062
0,36248 3
0,60206 1,14613
0,69004 0,36248
1,31361 4
0,90309 1,67210
1,51005 0,81557
2,79591 5
1,20412 2,17026
2,61326 1,44990
4,71004 ∑
3,010 5,591
4,995 2,719
9,182 Log N
Log 1r
23
1,7973 nilai dimensi fraktal
Ekstraksi fitur citra daun tumbuhan obat dengan dimensi fraktal menghasilkan lima nilai dimensi fraktal. Nilai pertama dihasilkan dari ekstraksi
citra secara keseluruhan global. Empat nilai lainnya dihasilkan dari ekstraksi local region. Nilai dimensi fraktal berbentuk pecahan dan berkisar antara satu
sampai dua seperti ditunjukan pada Gambar 12.
a b
Gambar 12 Dimensi fraktal pada daun Jarak Pagar keseluruhan a dan local region b.
4.1.2. Ekstraksi Fitur dengan Kode Fraktal Fraktal Code
Proses ekstraksi citra dengan kode fraktal adalah membandingkan kemiripan tekstur dari pasangan blok domain dan blok range. Pasangan yang
memiliki nilai RMS minimum dianggap memiliki tingkat kemiripan yang paling tinggi. Langkah-langkah pengkodean fraktal fractal coding pada citra daun Jarak
Pagar adalah sebagai berikut : FD=1,7973
FD01=1,6593
FD10=1,7762 FD11=1,8662
FD00=1,6033
24
1. Menampilkan nilai intensitas piksel dari citra asli seperti ditunjukan pada
Gambar 13.
Gambar 13 Nilai intensitas dari citra daun ukuran 16 x 16 piksel.
2. Membentuk Blok Domain
-
Mempartisi citra menjadi ukuran, 8x8 piksel, 4x4 piksel. Partisi dilakukan mulai dari pojok kiri atas bergeser hingga ke pojok kanan bawah seperti
ditunjukan pada Gambar 14 dan Gambar 15.
00 01
10 11
Gambar 14 Sub citra ukuran 8 x8 piksel.
255 255 255 255 250 255 255 249 255 250 255 251 250 255 250 255 252 255 251 254 255 242 228 244 253 254 255 255 253 255 249 254
255 254 254 255 247 217 205 218 225 239 255 247 246 255 255 254 255 249 255 251 210 202 212 197 187 207 231 225 236 255 255 250
252 255 250 211 190 205 215 201 195 164 126 86 103 170 219 251 253 255 214 164 186 202 191 200 172 142 121 105 120 156 174 194
255 202 151 147 170 187 189 186 151 121 119 128 140 148 147 168 255 105
92 155 147 177 219 179 136 107 117 142 155 150 148 178 241
89 120 124 143 167 193 178 112 116 141 141 131 139 170 220 222 108 136 143 151 154 188 185 109 127 130 151 148 164 242 255
230 134 113 114 143 147 181 168 106 153 127 123 98 131 255 251
255 197 116 82 112 132 182 169 136 136 112 143 126 139 250 253 243 241 178 119 110 117 172 172 89 113 137 140 120 167 248 248
255 255 214 148 127 152 225 255 129 113 126 119 147 234 255 255 242 255 255 252 251 251 255 255 232 110 78 146 230 255 250 255
255 251 247 255 255 254 248 255 255 251 255 255 255 255 251 253
255 255 255 255 250 255 255 249
252 255 251 254 255 242 228 244
255 254 254 255 247 217 205 218
255 249 255 251 210 202 212 197
252 255 250 211 190 205 215 201
253 255 214 164 186 202 191 200
255 202 151 147 170 187 189 186
255 105 92 155
147 177 219 179 255 250 255 251
250 255 250 255 253 254 255 255
253 255 249 254 225 239 255 247
246 255 255 254 187 207 231 225
236 255 255 250 195 164 126
86 103 170 219 251
172 142 121 105 120 156 174 194
151 121 119 128 140 148 147 168
136 107 117 142 155 150 148 178
241 89 120 124
143 167 193 178 222 108 136 143
151 154 188 185 230 134 113 114
143 147 181 168 255 197 116
82 112 132 182 169
243 241 178 119 110 117 172 172
255 255 214 148 127 152 225 255
242 255 255 252 251 251 255 255
255 251 247 255 255 254 248 255
112 116 141 141 131 139 170 220
109 127 130 151 148 164 242 255
106 153 127 123 98 131 255 251
136 136 112 143 126 139 250 253
89 113 137 140 120 167 248 248
129 113 126 119 147 234 255 255
232 110 78 146
230 255 250 255 255 251 255 255
255 255 251 253
25
00 01
02 03
10 11
12 13
20 21
22 13
30 31
32 33
Gambar 15 Sub citra ukuran 4 x 4 piksel.
- Menghitung rata-rata setiap empat piksel dari subcitra yang terbentuk
sehingga ukurannya menjadi 4x4 piksel dan 2 x2 piksel seperti ditunjukan pada Gambar 16 dan Gambar 17.
00 01
01
10 11
Gambar 16 Blok domain rata-rata empat piksel dari subcitra 8 x8 piksel.
255 255 255 255 252 255 251 254
255 254 254 255 255 249 255 251
250 255 255 249 255 242 228 244
247 217 205 218 210 202 212 197
255 250 255 251 253 254 255 255
225 239 255 247 187 207 231 225
250 255 250 255 253 255 249 254
246 255 255 254 236 255 255 250
252 255 250 211 253 255 214 164
255 202 151 147 255 105
92 155 190 205 215 201
186 202 191 200 170 187 189 186
147 177 219 179 195 164 126
86 172 142 121 105
151 121 119 128 136 107 117 142
103 170 219 251 120 156 174 194
140 148 147 168 155 150 148 178
241 89 120 124
222 108 136 143 230 134 113 114
255 197 116 82
143 167 193 178 151 154 188 185
143 147 181 168 112 132 182 169
112 116 141 141 109 127 130 151
106 153 127 123 136 136 112 143
131 139 170 220 148 164 242 255
98 131 255 251 126 139 250 253
243 241 178 119 255 255 214 148
242 255 255 252 255 251 247 255
110 117 172 172 127 152 225 255
251 251 255 255 255 254 248 255
89 113 137 140 129 113 126 119
232 110 78 146
255 251 255 255 120 167 248 248
147 234 255 255 230 255 250 255
255 255 251 253
254,25 253,8 250,5 244
253,25 253,8 219
208 253,75 209,8 195,8 201,8
204,25 136,3 170,3 193,3 253
254 253,3 252
214,5 239,5 248 253,5
168,25 109,5 137,3 209,5 128,75 126,5 148,3 160,3
165 130,8 153,8 186
204 106,3 133,5 175
248,5 164,8 126,5 206
250,75 252,3 252,8 253,3 116 140,8 145,5 221,8
132,75 126,3 123,5 252,3 111 130,5
167 251,5 212 183,5 248,8 252,3
26
00 01
02 03
10 11
12 13
20 21
22 23
30 31
32 33
Gambar 17 Blok domain rata rata empat piksel dari sub citra 4 x 4 piksel.
3. Membentuk Blok Range
Blok range dibentuk dengan mempartisi citra asli menggunakan partisi quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar secara
rekursif. Masing-masing subcitra pada Gambar 14 dibagi menjadi 4 bagian seperti ditunjukan pada Gambar 18 dan hasilnya dibagi lagi menjadi empat bagian
masing masing 2x2 piksel seperti ditunjukan pada Gambar 19.
00-00 00-01
00 00-10
00-11 Gambar 18 Tahapan partisi blok range sampai ukuran 4 x 4 piksel.
254,25 253,8 253,25 253,8
250,5 244
219 208
253 254
214,5 239,5 253,25
252 248 253,5
253,75 209,8 204,25 136,3
195,75 201,8 170,25 193,3
168,25 109,5 128,75 126,5
137,25 209,5 148,25 160,3
165 130,8 204 106,3
153,75 186
133,5 175
116 140,8 132,75 126,3
145,5 221,8 123,5 252,3
248,5 164,8 250,75 252,3
126,5 206
252,75 253,3 146 117,3
253 255
167 251,5 248,75 252,3
255 255 255 255 250 255 255 249 252 255 251 254 255 242 228 244
255 254 254 255 247 217 205 218 255 249 255 251 210 202 212 197
252 255 250 211 190 205 215 201 253 255 214 164 186 202 191 200
255 202 151 147 170 187 189 186 255 105
92 155 147 177 219 179 255 255 255 255
252 255 251 254 255 254 254 255
255 249 255 251 250 255 255 249
255 242 228 244 247 217 205 218
210 202 212 197
252 255 250 211 253 255 214 164
255 202 151 147 255 105
92 155
190 205 215 201 186 202 191 200
170 187 189 186 147 177 219 179
27
00-00-00 00-00-01 00-01-00 00-01-01
00-00-10 00-00-11 00-01-10 00-01-11
00-10-00 00-10-01 00-11-00 00-11-01
00-10-10 00-00-11 00-11-10 00-00-11
Gambar 19 Tahapan partisi blok range sampai ukuran 2 x 2 piksel.
4. Menghitung faktor penskalaan kontras s, faktor kecerahan g dan RMS
Pada tahap ini dilakukan penghitungan penskalaan kontras s menggunakan persamaan 3, faktor kecerahan g menggunakan persamaan 4 dan RMS
menggunakan persamaan 5. Penghitungan dilakukan antara blok domain dan 4 kelompok blok range. Hasil penghitungan skala kontras, faktor kecerahan dan
RMS antara blok domain dan masing-masing blok range daun Jarak Pagar ditunjukan pada Tabel 2, Tabel 3, Tabel 4 dan Tabel 5.
252 255 253 255
250 211 214 164
255 202 255 105
151 147 92 155
255 255 252 255
255 255 251 254
255 254 255 249
254 255 255 251
250 255 255 242
255 249 228 244
247 217 210 202
205 218 212 197
190 205 186 202
215 201 191 200
189 186 219 179
170 187 147 177
28
Tabel 2 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kiri atas 00
Tabel 3 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kanan atas 01
Lokasi Rata-rata Rd Lokasi Rata-rata Rr
1 4-00
218,8 00-00
253,8 0,03
247,5 2,48
2 4-01
197,3 00-01
230,4 0,31
170,2 157,04
3 4-10
188,1 00-10
201,0 -0,43
282,4 2635,29
4 4-11
176,0 00-11
190,3 0,01
189,2 289,71
5 8-00
253,8 00-00-00
254,3 3,00
-507,0 0,56
6 8-01
230,4 00-00-01
253,8 0,06
240,9 1,74
7 8-02
240,3 00-00-10
253,3 -0,01
255,4 6,17
8 8-03
251,7 00-00-11
253,8 -0,45
368,0 1,69
9 8-10
201,0 00-01-00
250,5 0,08
234,0 16,42
10 8-11
190,3 00-01-01
244,0 0,77
98,2 -27863,42
11 8-12
133,3 00-01-10
219,0 0,64
134,0 100,96
12 8-13
163,8 00-01-11
219,0 -0,78
336,3 162,01
13 8-20
151,5 00-10-00
253,8 0,01
252,9 1,90
14 8-21
162,1 00-10-01
209,8 -0,02
213,5 927,32
15 8-22
128,9 00-10-10
204,3 0,00
204,4 3751,60
16 8-23
185,8 00-10-11
136,3 0,34
73,4 339,64
17 8-30
229,1 00-11-00
195,8 -0,14
227,8 36,12
18 8-31
209,6 00-11-01
201,8 -0,15
233,9 10,87
19 8-32
192,8 00-11-10
170,3 -0,15
198,2 135,65
20 8-33
229,9 00-11-11
193,3 0,05
181,2 230,54
RMS Blok Range Bagian Citra
Kiri Atas 00 Blok Domain Citra
Asli No
Penskalaan Kontras s
Kecerahan g
Lokasi Rata-rata Rd Lokasi Rata-rata Rr
1 4-00
218,8 01-00
240,3 0,31
173,4 277,03
2 4-01
197,3 01-01
251,7 0,02
248,3 23,14
3 4-10
188,1 01-10
133,3 -0,04
141,5 701,62
4 4-11
176,0 01-11
163,8 0,27
117,1 1001,36
5 8-00
253,8 01-00-00
253,0 2,00
-254,5 3,00
6 8-01
230,4 01-00-01
254,0 -0,04
264,3 2,39
7 8-02
240,3 01-00-10
214,5 1,17
-65,8 35,26
8 8-03
251,7 01-00-11
239,5 1,63
-170,3 131,88
9 8-10
201,0 01-01-00
253,3 -0,04
260,9 1,60
10 8-11
190,3 01-01-01
252,0 0,16
222,2 -29626,25
11 8-12
133,3 01-01-10
248,0 -0,12
264,5 54,40
12 8-13
163,8 01-01-11
253,5 0,04
246,5 4,55
13 8-20
151,5 01-10-00
168,3 -0,07
179,4 392,85
14 8-21
162,1 01-10-01
109,5 -0,02
113,5 237,57
15 8-22
128,9 01-10-10
128,8 0,00
129,0 270,04
16 8-23
185,8 01-10-11
126,5 0,18
93,7 10,02
17 8-30
229,1 01-11-00
137,3 -0,49
249,7 390,87
18 8-31
209,6 01-11-01
209,5 -0,29
271,2 596,51
19 8-32
192,8 01-11-10
148,3 0,06
136,7 15,43
20 8-33
229,9 01-11-11
160,3 0,22
109,4 110,72
RMS No
Blok Domain Citra Asli
Blok Range Bagian Citra Kiri Atas 01
Penskalaan Kontras s
Kecerahan g
29
Tabel 4 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kiri bawah 01
Tabel 5 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kanan bawah 11
Lokasi Rata-rata Rd Lokasi Rata-rata Rr
1 4-00
218,8 10-00
128,9 0,16
117,1 3037,75
2 4-01
197,3 10-01
185,8 0,20
123,4 378,34
3 4-10
188,1 10-10
159,3 0,15
200,7 1654,97
4 4-11
176,0 10-11
229,9 0,54
114,8 2232,18
5 8-00
253,8 10-00-00
116,0 19,00
-4656,3 4467,38
6 8-01
230,4 10-00-01
140,8 -0,53
251,9 0,24
7 8-02
240,3 10-00-10
132,8 -1,91
662,8 1130,69
8 8-03
251,7 10-00-11
126,3 -3,45
973,7 139,51
9 8-10
201,0 10-01-00
145,5 -0,07
167,3 66,66
10 8-11
190,3 10-01-01
221,8 -0,17
218,1 -17366,82
11 8-12
133,3 10-01-10
123,5 0,06
125,0 182,35
12 8-13
163,8 10-01-11
252,3 0,86
33,4 164,94
13 8-20
151,5 10-10-00
111,0 -0,01
249,3 42,92
14 8-21
162,1 10-10-01
130,5 -0,06
175,1 1198,40
15 8-22
128,9 10-10-10
212,0 0,00
250,6 28,13
16 8-23
185,8 10-10-11
183,5 0,03
245,8 7,30
17 8-30
229,1 10-11-00
167,0 0,16
89,5 217,20
18 8-31
209,6 10-11-01
251,5 0,55
90,1 452,31
19 8-32
192,8 10-11-10
248,8 0,03
247,4 0,22
20 8-33
229,9 10-11-11
252,3 -0,03
259,0 8,36
RMS No
Blok Domain Citra Asli
Blok Range Bagian Citra Kiri Atas 10
Penskalaan Kontras s
Kecerahan g
Lokasi Rata-rata Rd Lokasi Rata-rata Rr
1 4-00
218,8 11-00
128,9 -0,13
157,5 190,15
2 4-01
197,3 11-01
185,8 0,14
159,1 3111,09
3 4-10
188,1 11-10
159,3 1,14
-54,6 785,51
4 4-11
176,0 11-11
229,9 0,40
159,9 1348,58
5 8-00
253,8 11-00-00
116,0 3,00
-645,3 45,38
6 8-01
230,4 11-00-01
140,8 -0,08
159,4 53,20
7 8-02
240,3 11-00-10
132,8 -0,15
168,0 281,24
8 8-03
251,7 11-00-11
126,3 4,28
-950,2 34,88
9 8-10
201,0 11-01-00
145,5 -0,28
202,7 7,02
10 8-11
190,3 11-01-01
221,8 -1,07
224,8 -30010,84
11 8-12
133,3 11-01-10
123,5 -0,64
208,7 48,51
12 8-13
163,8 11-01-11
252,3 0,15
227,8 7,33
13 8-20
151,5 11-10-00
111,0 -0,02
114,1 206,66
14 8-21
162,1 11-10-01
130,5 0,00
129,9 71,12
15 8-22
128,9 11-10-10
212,0 -0,01
213,2 3540,19
16 8-23
185,8 11-10-11
183,5 0,29
130,5 5461,92
17 8-30
229,1 11-11-00
167,0 0,04
158,4 1772,57
18 8-31
209,6 11-11-01
251,5 0,06
239,6 3,62
19 8-32
192,8 11-11-10
248,8 0,08
234,1 94,94
20 8-33
229,9 11-11-11
252,3 0,04
243,8 1,90
RMS No
Blok Domain Citra Asli
Blok Range Bagian Citra Kiri Atas 11
Penskalaan Kontras s
Kecerahan g
30
5. Menetapkan nilai kode fraktal pada citra daun tumbuhan obat Jarak Pagar.
Nilai kode fraktal ditentukan berdasarkan nilai RMS atau nilai error yang terkecil. Pada langkah ke 4, nilai RMS paling kecil adalah -30010,84. Dengan
demikian blok domain 8-11 dan blok range 11-01-01 adalah pasangan yang memiliki kemiripan dan kode fraktal yang terbentuk seperti ditunjukan pada
Tabel 6. Tabel 6. Nilai Kode Fraktal pada daun Jarak Pagar
Jarak Pagar Faktor Skala
Kontras s Faktor
kecerahan g
Rata rata nilai Blok Domain
Rd Rata rata
nilai Blok Range Rr
-1,07 224
190,3 221,8
4.2.Vektor Ciri Citra Daun Tumbuhan Obat
Ekstraksi citra daun tumbuhan obat menghasilkan vektor ciri dimensi fraktal dan vektor ciri kode fraktal.
4.2.1. Hasil Vektor Ciri Dimensi Fraktal Fraktal Dimension
Satu citra daun tumbuhan obat memiliki vektor ciri yang terdiri atas lima nilai dimensi fraktal FD. Vektor ciri dimensi fraktal jika disajikan dalam grafik
membentuk pola tertentu. Gambar 20 menunjukan contoh pola vektor dimensi fraktal untuk daun Jarak Pagar.
Gambar 20 Pola vektor dimensi fraktal untuk satu daun Jarak Pagar.
31
Setiap kelas akan membentuk pola vektor dimensi fraktal yang berbeda beda dan mencirikan kelas tersebut. Gambar 21 dan Gambar 22 menujukan pola
vektor dimensi fraktal untuk kelas Pegagan dan kelas Handeleum. Setiap kelas terdiri atas 20 daun.
Gambar 21 Pola vektor dimensi fraktal kelas Pegagan.
Gambar 22 Pola vektor dimensi fraktal kelas Handeleum.
32
Hasil vektor ciri sangat tergantung pada data yang digunakan. Faktor keragaman pola bentuk daun dalam satu kelas mempengaruhi hasil ekstraksi
dengan dimensi fraktal. Gambar 21 menunjukan kelas Pegagan yang memiliki pola vektor dimensi fraktal mendekati seragam. Hal ini disebabkan pola bentuk
daun pada kelas tersebut memiliki kemiripan. Sedangkan Gambar 22 menunjukan kelas Handeleum yang memiliki pola vektor dimensi fraktal tidak seragam. Hal
ini disebabkan olah pola bentuk daun pada kelas tersebut berbeda-beda.
4.2.2. Hasil Vektor Ciri Kode Fraktal Fraktal Code
Satu citra daun tumbuhan obat memiliki vektor ciri yang terdiri atas empat kode fraktal. Vektor ciri kode fraktal jika disajikan dalam grafik membentuk pola
tertentu. Gambar 23 menunjukan contoh pola vektor kode fraktal untuk daun Jarak Pagar.
Gambar 23 Pola vektor kode fraktal untuk satu daun Jarak Pagar.
Setiap kelas akan membentuk pola vektor kode fraktal yang berbeda beda dan mencirikan kelas tersebut. Gambar 24 dan Gambar 25 menunjukkan pola
vektor kode fraktal untuk kelas Nandang Gendis Kuning dan kelas Kemangi. Setiap kelas terdiri atas 20 daun.
33
Gambar 24 Pola vektor kode fraktal kelas Nandang Gendis Kuning.
Gambar 25 Pola vektor kode fraktal kelas Kemangi.
Hasil vektor ciri sangat tergantung pada data yang digunakan. Faktor keragaman pola tekstur daun dalam satu kelas mempengaruhi hasil ekstraksi
dengan kode fraktal. Gambar 24 menujukan kelas Nandang Gendis Kuning yang memiliki pola vektor kode fraktal mendekati seragam. Hal ini disebabkan oleh
pola tekstur daun pada kelas tersebut memiliki kemiripan. Sedangkan Gambar 25
34
menujukan kelas Kemangi yang memiliki pola vektor kode fraktal tidak seragam. Hal ini disebabkan pola tekstur daun pada kelas tersebut berbeda-beda.
4.3.Evaluasi Sistem
Evaluasi sistem dilakukan terhadap model clustering dan hasil identifikasi citra daun tumbuhan obat. clustering dilakukan dengan membagi data latih dan
data uji masing masing 67 dan 33 . 20 data latih dan 10 data uji.
4.3.1. Model Clustering Citra Daun Tumbuhan Obat dengan FCM
Berdasarkan Dimensi Fraktal
Setelah dilakukan clustering FCM berdasarkan dimensi fraktal dihasilkan nilai jarak antar pusat cluster seperti ditunjukan pada Lampiran 3. Hasil
clustering citra daun tumbuhan obat dengan FCM berdasarkan dimensi fraktal diperoleh tingkat akurasi 85,04 . Tabel 7 menunjukan Confussion matrix
clustering citra daun tumbuhan obat berbasis dimensi fraktal.
Tabel 7 Confussion matrix hasil clustering berdasarkan dimensi fraktal
Tingkat akurasi yang diperoleh adalah : 145 + 2755
145+2755+255+255
c1 c2
c3 c4
c5 c6
c7 c8
c9 c10
c11 c12
c13 c14
c15 c16
c17 c18
c19 c20
Jumlah c1
4 2
4 6
4 20
c2 4
8 6
2 20
c3 10
4 4
2
20 c4
10 4
6 20
c5 4
2 5
4 2
3 20
c6 6
4 6
4 20
c7 20
20 c8
8 6
6 20
c9 4
4 2
2 8
20 c10
4 6
4 6
20 c11
6 4
6 4
20 c12
6 2
4 8
20 c13
5 4
4 3
4 20
c14 2
4 4
2 8
20 c15
4 6
10 20
c16 4
2 6
4 4
20 c17
3 17
20 c18
2 6
8 4
20 c19
4 4
4 4
4 20
c20 2
18 20
Jumlah 16
18 20
22 13
12 33
10 16
29 10
30 22
21 22
25 17
18 28
18 400
TP 4
4 10
10 2
4 20
6 4
6 4
4 4
2 10
4 17
8 4
18 145
TN 141
141 135
135 143
141 125
139 141
139 141
141 141
143 135
141 128
137 141
127 2755
FP
12 14
10 12
11 8
13 4
12 23
6 26
18 19
12 21
10 24
255 FN
16 16
10 10
18 16
14 16
14 16
16 16
18 10
16 3
12 16
2 255
= 85,04
35
Pada Confussion matrix Tabel 7 terdapat tiga kelas dengan hasil clustering di atas 80 yaitu kelas 7 Bunga Telang, kelas 20 Pegagan dan
kelas 17 Tabat Barito. Sedangkan dua kelas berada di bawah 20 yaitu kelas 5 Lilin dan kelas 14 Handeleum.
Kelas 7 Bunga Telang ter-cluster 100 sehingga kelas ini mudah dikenali. Dari 20 data latih semuanya ter-cluster pada kelas 7 Bunga Telang.
Hasil ini diperoleh karena citra daun Bunga Telang memiliki pola bentuk yang hampir seragam sehingga memiliki nilai dimensi yang hampir sama seperti
ditunjukan pada Gambar 26.
Gambar 26 Pola bentuk daun Bunga Telang.
Kelas 20 Pegagan ter-cluster 90 yaitu dari 20 data latih, 18 data ter- cluster pada kelas 20 Pegagan dan 2 data ter-cluster pada kelas 1 Jarak Pagar.
Secara umum citra daun Pegagan memiliki pola bentuk yang hampir seragam seperti ditunjukan pada Gambar 27. Sedangkan 2 data yang menjadi anggota kelas
1 Jarak Pagar dikarenakan pola bentuk daun Pegagan memiliki kemiripan dengan pola bentuk daun Jarak Pagar seperti ditunjukan pada Gambar 28. Selain
itu jarak pusat cluster kelas Pegagan dengan pusat cluster kelas Jarak Pagar cukup dekat yaitu 0,26 seperti ditunjukan pada Lampiran 3.
Gambar 27 Pola bentuk daun Pegagan.
a b
Gambar 28 Pola bentuk daun Pegagana dan daun Jarak Pagar b.
36
Kelas 17 Tabat Barito ter-cluster 85 yaitu dari 20 data latih, 17 data ter-cluster pada kelas 17 Tabat Barito dan 3 data ter-cluster pada kelas 7 Bunga
Telang. Secara umum citra daun Tabat Barito memiliki pola bentuk daun yang hampir seragam seperti ditunjukan pada Gambar 29. Sedangkan 3 data yang
menjadi anggota kelas 7 Bunga Talang dikarenakan pola bentuk daun Tabat Barito memiliki kemiripan dengan pola bentuk daun Bunga Telang seperti
ditunjukan pada Gambar 30. Selain itu jarak pusat cluster kelas Tabat Barito dan pusat cluster kelas Bunga Telang cukup dekat yaitu 0,21 seperti ditunjukan pada
Lampiran 3.
Gambar 29 Pola bentuk daun Tabat Barito.
a b Gambar 30 Pola bentuk daun Tabat Barito a dan daun Bunga Telang b.
Kelas 5 Lilin ter-cluster 10 . Dari 20 data latih hanya 2 data yang ter- cluster ke dalam kelas 5 Lilin. Sisanya ter-cluster ke beberapa kelas lainnya,
yaitu 4 data ke kelas 2 Dandang Gendis, 5 data ke kelas 10 Sambang Darah, 4 data ke kelas 13 Kemangi, 2 data ke kelas 14 Handeleum dan 3 data ke kelas
16 Nandang Gendis Kuning. Tersebarnya hasil clustering ini dikarenakan pola bentuk daun kelas 5 Lilin mempunyai kemiripan dengan pola bentuk daun dari
kelima kelas tersebut seperti ditunjukan pada Gambar 31. Selain itu jarak antara pusat cluster kelas 5 Lilin dengan pusat cluster dari kelima kelas tersebut sangat
dekat seperti ditunjukan pada Lampiran 3.
37
a b c d e f
Gambar 31 Pola bentuk daun Lilin a, Dandang Gendisb, Sambang Darah c, Kemangi d, Handeleum e dan Nandang Gendis Kuning f.
Kelas 14 Handeleum ter-cluster 10 . Dari 20 data latih hanya 2 data yang ter-cluster ke dalam kelas 14 Handeleum. Sisanya ter-cluster ke beberapa
kelas lainnya, yaitu 2 data ke kelas 5 Lilin, 4 data ke kelas 10 Sambang Darah, 4 data ke kelas 13 Kemangi dan 8 data ke kelas 16 Nandang Gendis Kuning.
Tersebarnya hasil clustering kelas ini dikarenakan pola bentuk daun kelas 14 Handeleum mempunyai kemiripan dengan pola bentuk daun dari kelima kelas
tersebut seperti ditunjukan pada Gambar 32 dan Jarak antar pusat cluster kelas 14 Handeleum dengan pusat cluster dari keempat kelas tersebut cukup dekat seperti
ditunjukan pada Lampiran 3.
a b c d e Gambar 32 Pola bentuk daun Handeleuma, Lilin b, Sambang Darahc,
Kemangi d dan Nandang Gendis Kuning e .
4.3.2. Model Clustering Citra Daun Tumbuhan Obat dengan FCM
Berdasarkan Kode Fraktal
Setelah dilakukan clustering FCM berdasarkan kode fraktal dihasilkan nilai jarak antar pusat cluster seperti ditunjukan pada Lampiran 4. Hasil
clustering citra daun tumbuhan obat dengan FCM berdasarkan kode fraktal diperoleh tingkat akurasi 79,94 . Tabel 8 menunjukan confussion matrix
clustering citra daun tumbuhan obat berbasis kode fraktal.
38
Tabel 8 Confussion matrix hasil clustering berdasarkan kode fraktal
Tingkat akurasi yang diperoleh adalah : 114 + 2166
114+2166+286+286
Pada Confussion matrix Tabel 8 terdapat satu kelas dengan hasil clustering 80 yaitu kelas 16 Nandang Gendis Kuning. Sedangkan dua kelas
berada di bawah 20 yaitu kelas 13 Kemangi dan kelas 18 Gadung Cina. Kelas 16 Nandang Gendis Kuning ter-cluster 80 yaitu dari 20 data
latih, 16 data ter-cluster pada kelas 16 Nandang Gendis Kuning dan 4 data ter- cluster pada kelas 2 Dandang Gendis. Secara umum citra daun Nandang Gendis
Kuning yang menjadi data latih memiliki pola tekstur yang hampir sama seperti ditunjukan pada Gambar 33. Sedangkan 4 data menjadi anggota kelas 2 Dandang
Gendis karena pola tekstur daun Nandang Gendis Kuning dan pola tekstur daun Dandang Gendis memiliki kemiripan seperti ditunjukan pada Gambar 34. Selain
itu jarak antara pusat cluster kelas 16 Nandang Gendis Kuning dengan pusat
c1 c2
c3 c4
c5 c6
c7 c8
c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 Jumlah
c1 3
6 2
3 6
20 c2
5 2
5 2
6 20
c3 3
3 6
4 4
20 c4
6 4
4 4
2 20
c5 8
4 6
2 20
c6 2
4 10
4 20
c7 4
4 8
4 20
c8 5
3 9
3 20
c9 3
8 4
5 20
c10 4
3 4
7 2
20 c11
3 3
4 4
6 20
c12 5
3 8
4 20
c13 4
3 7
2 4
20 c14
4 5
4 7
20 c15
2 3
8 3
4 20
c16
4
16 20
c17 3
6 3
2 6
20 c18
3 4
4 1
8 20
c19 4
3 4
6 3
20 c20
5 7
4 4
20 Jumlah
20 15
27 28
25 24
16 12
20 19
14 8
16 10
32 29
28 19
30 8
400 TP
3 5
3 4
8 10
4 9
8 4
4 8
2 4
8 16
6 1
3 4
114 TN
111 109 111 110 106 104 110 105 106 110 110 106 112 110 106 98 108 113 111 110
2166 FP
17 10
24 24
17 14
12 3
12 15
10 14
6 24
13 22
18 27
4 286
FN 17
15 17
16 12
10 16
11 12
16 16
12 18
16 12
4 14
19 17
16 286
= 79,94
39
cluster kelas 2 Dandang Gendis cukup dekat yaitu 14,37 seperti ditunjukan pada Lampiran 4.
Gambar 33 Pola tekstur daun Nandang Gendis Kuning.
a b Gambar 34 Pola tekstur Nandang Gendis Kuning a dan Dandang Gendis b.
Kelas 13 Kemangi ter-cluster 10 yaitu dari 20 data latih hanya 2 data yang ter-cluster ke dalam kelas 13 Kemangi. Sisanya ter-cluster ke beberapa
kelas yang lainnya, yaitu 4 data ke kelas 5 Lilin, 3 data ke kelas 9 Kumis Kucing, 7 data ke kelas 10 Sambang Darah dan 4 data ke kelas 18 Gadung
Cina. Tersebarnya hasil clustering dikarenakan pola tekstur daun kelas 13 Kemangi mempunyai kemiripan dengan pola tekstur daun pada kelas-kelas
tersebut seperti ditunjukan pada Gambar 35. Selain itu jarak antara pusat cluster kelas 13 kemangi dan keempat kelas tersebut cukup dekat seperti ditunjukan
pada Lampiran 4.
a b c d e Gambar 35 Pola bentuk daun Kemangi a, Lilin b, Kumis Kucing c,
Sambang Darah d dan Gadung Cina e.
Kelas 18 Gadung Cina ter-cluster 5 yaitu dari 20 data latih hanya 1 data yang ter-cluster ke dalam kelas 18 Gadung Cina. Sisanya ter-cluster ke
beberapa kelas lainnya, yaitu 3 data ke kelas 1 Jarak Pagar, 4 data ke kelas 3
40
Iler, 4 data ke kelas 15 Mrambos dan 8 data ke kelas 19 Bidani. Tersebarnya hasil clustering kelas ini dikarenakan pola tekstur daun kelas 18 Gadung Cina
mempunyai kemiripan dengan pola tekstur daun pada kelas-kelas tersebut seperti ditunjukan pada Gambar 36. Selain itu jarak pusat cluster antara kelas 18 Gadung
Cina dengan pusat cluster dari kelima kelas tersebut cukup dekat seperti ditunjukan pada Lampiran 4.
a b c d e Gambar 36 Pola bentuk daun Gadung Cina a, Jarak Pagarb, Ilerc,
Mrambosd, Bidani e.
4.3.3. Hasil Identifikasi Citra Daun Tumbuhan Obat dengan FCM
Berdasarkan Dimensi Fraktal
Setelah dilaksanakan identifikasi terhadap 200 data uji citra daun tumbuhan obat diperoleh akurasi sebesar 81 yaitu 162 data teridentifikasi pada
kelas yang sama. Akurasi untuk setiap kelas ditunjukan pada Gambar 37.
Gambar 37. Grafik akurasi identifikasi setiap kelas citra tumbuhan obat berdasarkan dimensi fraktal
Pada Gambar 37 kelas 20 Pegagan dan kelas 7 Bunga Telang memiliki akurasi 100 . Tingkat akurasi yang dihasilkan dipengaruhi oleh pola vektor
70 80
90 90
60 90
100 80
80 80
90 80
70
40 90
70 90
80 90
100
10 20
30 40
50 60
70 80
90 100
1 2
3 4
5 6
7 8
9 10
11 12
13 14
15 16
17 18
19 20
A ku
ra si
Kelas
41
dimensi fraktal pada setiap kelasnya. Kelas 20 Pegagan dan kelas 7 Bunga Telang memiliki pola vektor dimensi fraktal hampir seragam seperti ditunjukan
pada Gambar 39 dan Gambar 41. Keseragaman pola vektor dimensi fraktal terbentuk karena kelas-kelas tersebut memiliki pola bentuk daun yang hampir
mirip sehingga mudah dikenali seperti ditunjukan pada gambar 38 dan Gambar 40.
Gambar 38 Pola bentuk daun kelas Pegagan.
Gambar 39 Pola vektor dimensi fraktal kelas Pegagan.
Gambar 40 Pola bentuk daun kelas Bunga Telang.
Gambar 41 Pola vektor dimensi fraktal kelas Bunga Telang.
Kelas 14 Handeleum memiliki akurasi paling rendah yaitu 40 . Kelas tersebut memiliki pola bentuk daun yang cenderung berbeda seperti ditunjukan
42
pada Gambar 42 dan pola vektor dimensi fraktal yang tidak seragam seperti ditunjukan pada Gambar 43. Ketidakseragaman pola vektor dimensi fraktal ini
mengakibatkan kelas tersebut sulit untuk dikenali.
Gambar 42 Pola bentuk daun kelas Handeleum.
Gambar 43 Pola vektor dimensi fraktal kelas Handeleum.
4.3.4. Hasil Identifikasi Citra Daun Tumbuhan Obat dengan FCM
Berdasarkan Kode Fraktal
Setelah dilaksanakan identifikasi terhadap 200 data uji citra daun tumbuhan obat diperoleh akurasi sebesar 75,5 yaitu 151 data teridentifikasi
pada kelas yang sama. Akurasi untuk setiap kelas ditunjukan pada Gambar 44.
Gambar 44 Grafik akurasi identifikasi setiap kelas citra tumbuhan obat berdasarkan kode fraktal.
70 80
70 80
90 90
70 90
90
60 70
80
30 90
80 100
80
40 70
80
10 20
30 40
50 60
70 80
90 100
1 2
3 4
5 6
7 8
9 10
11 12
13 14
15 16
17 18
19 20
Ak ur
as i
Kelas
43
Pada Gambar 44, kelas 16 Nandang Gendis Kuning memiliki akurasi paling tinggi yaitu 100 . Kelas ini memiliki pola vektor kode fraktal yang
hampir seragam seperti ditunjukan pada Gambar 46. Keseragaman ini terbentuk karena kelas tersebut memiliki pola tekstur dan pencahayaan yang hampir mirip
sehingga mudah dikenali seperti ditunjukan pada Gambar 45.
Gambar 45 Pola bentuk daun kelas Nandang Gendis Kuning.
Gambar 45 Pola vektor kode fraktal kelas Nandang Gendis Kuning.
Kelas 13 Kemangi memiliki akurasi paling rendah yaitu 30 . Kelas ini memiliki pola vektor kode fraktal yang tidak seragam seperti ditunjukan Gambar
48. Ketidakseragaman pola vektor kode fraktal tersebut terbentuk karena kelas tersebut memiliki pola tekstur dan pencahayaan yang berbeda-beda sehingga sulit
untuk dikenali seperti ditunjukan pada Gambar 47.
Gambar 47 Pola bentuk daun kelas Kemangi.
44
Gambar 48 Pola vektor kode fraktal kelas Kemangi.
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut:
1. Metode fraktal dan clustering FCM dapat diimplementasikan untuk
mengembangkan sistem identifikasi tumbuhan obat. 2.
Dengan metode fraktal dapat dihitung nilai dimensi daun dan dicari bagian- bagian daun yang memiliki kemiripan antara satu bagian dengan bagian
lainnya. 3.
Hasil ekstraksi metode fraktal membentuk pola vektor yang berbeda-beda pada setiap kelasnya yang mempengaruhi mudah atau tidaknya kelas tersebut
dikenali pada saat identifikasi. 4.
Hasil ekstraksi dimensi fraktal lebih dipengaruhi oleh pola bentuk citra daun tumbuhan obat, sedangkan hasil ekstraksi kode fraktal lebih dipengaruhi oleh
pola tekstur dari citra daun tumbuhan obat. 5.
Hasil clustering citra daun tumbuhan obat menggunakan FCM berdasarkan dimensi fraktal menghasilkan akurasi sebesar 85,04 dan berdasarkan kode
fraktal menghasilkan akurasi 79,94.
5.2. Saran
Dalam penelitian ini tahapan preprocesing citra yang dilakukan hanya menyeragamkan ukuran citra 16 x 16 piksel dan mengubah bentuk citra ke dalam
format grayscale. Untuk mendapatkan kualitas citra yang lebih baik sebelum di ekstraksi perlu dilakukan beberapa tahapan preprocesing yang lainnya seperti
segmentasi citra, perbaikan citra enhancement dan normalisasi arah citra dengan perputaran rotasi.
DAFTAR PUSTAKA
Acharya T, Ray A. 2005 Image Processing Principal and Aplication, Ney Jersey : John Willey Son Inc.
Barnesley MF, Devaney RL, Mandelbort, Peitgen, Saup D, Voss, RF. 1988. The Science of Fractal Images. Springger verlag.
Bruno OM, Backes AR.2008. A New Approach to Estimate Farctal Dimension of Texture image. ICISP. LNCS:136-143.
Chandra MPS, Reeddy S, Babu Ramesh. 2009. Iris Recognition System Using Fractal Dimension of Haar Patterns. Internasional Journal of Signal
Precessing 2:75-81. Dimpi. 2011. Ekstraksi Daun Menggunakan Dimensi Fraktal untuk Identifikasi
Tumbuhan Obat di Indonesia [skripsi]. Bogor. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Duda RO. dan Hart PE. 1995. Pattern Classification and Scene Analysis 2
nd
ed, New York: John Wiley Sons.Inc.
Hermaduanti N, Kusumadewi S. 2008. Sistem Pendukung Keputusan Berbasis SMS untuk Menentukan Status Gizi dengan Metode K-Nearest
Neighbor. Proseding Seminar Nasional Aplikasi Teknologi Informasi 2008, Yogyakarta
; 49-55. Jianxin Xu, Wang Hua, Fang Hui. 2011. Characterization of Periodeic,
Quasiperiodeic and Chaotic States in Nonpremixed BiodieselAir Jet Flames. Hindawi Publishing Corporation 2011 861436 :[terhubung
berkala]. http:www.hindawi.comjournalsmpe2011861436.htm [13 Feb 2012]
Kiani S, Moghaddam ME. 2009. Fractal Based Digital Image Watermaking Using Fuzzy C- mean Clustering. IEEE Computer Sociaty; 638-642.
Luthfi ET. 2007. Fuzzy C-Means untuk Clustering Data, Studi Kasus Data Performance Mengajar Dosen. Proseding Seminar Nasional
Teknologi 2007, Yogyakarta ; 1-7.
Mandelbort, 1982, The Fractal of Nature, Springer Verlag. Mozaffari S, Faez K, Kanan HR. 2005. Performance Evaluation of Fractal Feature
in recognition of Postal Code Uisng an RBF neural Network and SVM Classiffier. MVA2005IAPRCATI ; 562-565.
Peitgen HO, Jurgens Saupe, D. 1992. Fractal for Classromm, Part One : Introduction to Fractal and Chaos, National Council of Teachers of
Mathematics, Springer Verlag.