kelebihan memiliki struktur sederhana dan training data yang cepat karena tidak perlu memperbaharui bobot
.
Berdasarkan kelebihan yang dimiliki oleh klasifikasi PNN dan SVM, oleh karena itu penelitian ini mengusulkan menggunakan kedua klasifikasi tesebut untuk
mengidentifikasi tumbuhan obat dan tanaman hias.
1.2 Tujuan Penelitian
Penelitian ini bertujuan untuk menganalisa kinerja klasifikasi PNN dan SVM pada objek citra tumbuhan obat dan tanaman hias dengan menggunakan fitur
tekstur FLBP.
1.3 Ruang Lingkup Penelitian
Data penelitian diperoleh dari hasil pengambilan citra dengan menggunakan kamera digital, objek citra yang diambil adalah 30 species tumbuhan obat yang
berasal dari kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex- situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB dan 30 species tanaman
hias yang berasal dari Kebun Raya Bogor.
1.4 Manfaat Penelitian
Manfaat penelitian ini adalah mempercepat proses pencarian data pada identifikasi tumbuhan obat dan tanaman hias.
2 TINJAUAN PUSTAKA
2.1 Ekstraksi Fitur dan Tekstur
Ekstraksi fitur merupakan proses mendapatkan penciri atau fitur dari suatu citra. Fitur dari suatu citra dapat berupa warna, bentuk, dan tekstur. Acharya dan Ray
2005 mendefinisikan fitur sebagai pendeksripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola
yang ada pada suatu daerah bagian citra. Tekstur merupakan gambaran visual dari sebuah permukaan. Permukaan tekstur
berasal dari keragaman bentuk, iluminasi, bayangan, absorbsi dan refleksi, untuk citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Variasi intensitas
disebabkan oleh perbedaan warna pada suatu permukaan. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan, linearitas,
keberarahan, frekuensi Mäenpää 2003
.
2.2 Local Binary Pattern
Ojala pada tahun 1996 pertama kali memperkenalkan Local Binary Pattern LBP untuk mendeskripsikan tekstur dalam mode grayscale. Operator LBP dengan ukuran
piksel 3 3 merepresentasikan tekstur lokal di sekitar pusat piksel seperti yang di ilustrasikan pada Gambar 1.a. Iakovidis et al 2008.
a b c Nilai LBP : 4+8+32+64+128 = 236
Gambar 1 Skema komputasi LBP. 61
137 168 168 163 168
163 165 160
1 1
1 1
1 2
2
1
2
2
2
7
2
3
2
6
2
5
2
4
Threshold Weights
Setiap pola
tekstur LBP
direpresentasikan oleh
sembilan elemen
, dimana merepresentasikan nilai intensitas pada piksel
pusat dan 7 merepesentasikan nilai piksel sekelilingnya circular
sampling. Nilai delapan ketetanggaan yang mengelilingi pusat piksel dapat dicirikan oleh nilai biner 0
7 seperti pada Gambar 1.b, dimana menurut Iakovidis et al 2008:
dengan, Berdasarkan nilai biner tersebut, setiap ketetanggan memiliki nilai LBP yang
dihasilkan oleh formula berikut :
Dengan, adalah nilai biner Nilai yang dihasilkan menunjukan kode Local Binary Pattern. Kemudian kode-
kode LBP tersebut akan direpresentasikan melalui histogram. Histogram akan menunjukan frekuensi kejadian berbagai nilai LBP. Untuk ukuran citra N×M,
keseluruhan nilai LBP dapat direpresentasikan dengan membentuk histogram sebagai berikut:
dengan, K merupakan nilai LBP terbesar. 2
3 1
Operator LBP juga dapat dikembangkan dengan menggunakan berbagai ukuran sampling points dan radius yang disajikan pada Gambar 2. Pada piksel ketetanggaan
akan digunakan notasi P,R dimana P merupakan sampling points dan R merupakan radius Ahonen 2008.
8,1 8,2 Gambar 2 Ukuran circular neighborhood.
2.3 Fuzzy Local Binary Pattern
