Kebutuhan Perangkat dan Peralatan Penelitian Kesimpulan

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.