dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan

Transkripsi

1 dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih antara vektor masukan yang akan diklasifikasikan dengan vektor bobot, yaitu =, kemudian dibagi dengan bias tertentu (σ) dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu (=exp (. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah. (= ( ( (17) 2. Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: 1 (= 2 exp 2 (18) 3. Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai paling besar dibandingkan kelas lainnya. METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra pohon yang terdapat di Kebun Raya Bogor serta tiga puluh jenis citra daun, depan dan belakang (masingmasing kelas 48 citra) 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. Total citra pohon yang digunakan 300 citra yang terdiri atas 30 kelas masing-masing kelas terdiri atas 10 citra yang dapat dilihat pada Lampiran 1 serta total citra daun yang digunakan sebanyak citra yang terdiri atas 30 kelas, depan dan belakang (masing-masing kelas 48 citra) dapat dilihat pada Lampiran 2. Pada tahap awal praproses, dilakukan perbaikan data pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Citra tersebut diperoleh dari hasil cropping dengan bertujuan agar citra focus kepada objek dari citra itu sendiri. Pada data daun dilakukan praproses data dengan mengambil objek setiap satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Image Enhancement dengan Gaussian Proses perbaikan citra menggunakan fungsi Gaussian. Sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna grayscale. Tahap selanjutnya citra diproses dengan mengalikan fungsi Gaussian yang ditunjukkan pada persamaan (1) bertujuan untuk memperhalus distribusi frekuensi citra. Ekstraksi Tekstur dengan Local Binary Pattern Ekstraksi tektur pada citra daun hanya dilakukan pada piksel yang menyusun citra tersebut. Citra dikonversi ke mode warna grayscale. Selanjutnya membagi citra ke dalam beberapa local region sesuai dengan sampling points dan radius yang digunakan. 7

2 Citra Tumbuhan Citra Pohon Citra Daun Citra Grayscale Citra Grayscale Image Enhancement dengan Gaussian Image Enhancement dengan Gaussian Ekstraksi tekstur dengan LBP Ekstraksi tekstur dengan MBLBP MBLBP LBPRiu VAR LBPV Tanpa Tanpa MBLBPRiu MBLBPVAR MBLBPV MBLBPRiu MBLBPVAR MBLBPV PNN PNN PNN PNN PNN Perbadingan Hasil LBP dengan MBLBP Model Klasifikasi Model Klasifikasi Citra Kueri Ekstraksi Tekstur Histogram Hasil Identifikasi Hasil Identifikasi Gambar 9 Metode Penelitian Tabel 1 LBP (P,R) Ukuran Blok (piksel) Kuantisasi sudut (8,1) 3 x 3 45 derajat (8,2) 5 x 5 45 derajat (16,2) 5 x derajat (24,3) 7 x 7 15 derajat Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator yang disajikan pada Tabel 1. Nilai LBP akan direpresentasikan melalui histogram yang merupakan gambaran frekuensi nilai LBP pada sebuah citra. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu,, VAR, dan LBPV. 1. Ekstraksi tekstur dengan, Ekstraksi tekstur menggunakan, mengolah setiap piksel dari citra yang dilakukan dengan menggunakan persamaan (12). Histogram 8

3 , menghasilkan +2 bin dengan merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan +1 merupakan bin uniform patterns, sedangkan bin terakhir (+2) merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan, diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 2. Ekstraksi tekstur dengan Ekstraksi tekstur menggunakan, descriptor dilakukan dengan menggunakan persamaan (13) dan (14). Setiap nilai gray value piksel ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai, pada suatu local region, maka semakin kontras local region tersebut. Hasil pengolahan dari setiap local region menghasilkan matriks nilai,. Nilai, yang dihasilkan merupakan nilai kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai, dalam rentang kelipatan 100 yang dilihat berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilainilai dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor memiliki 150 bin. Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar pada suatu citra. Ekstraksi tekstur menggunakan diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 3. Ekstraksi tekstur dengan Ekstraksi tekstur menggunakan descriptor memanfaatkan keseluruhan hasil nilainilai local region, dan hasil nilai-nilai local region. Ekstraksi dilakukan dengan menggabungkan nilai, dan menggunakan persamaan (15) dan (16). Setiap nilai local region yang ada di, merujuk pada nilai local region pada posisi local region yang sama. Sampling points dan radius (operator) yang digunakan, dan harus sama. Hal ini dikarenakan descriptor bekerja dengan mencocokkan posisi local region. Hasil dari penggabungan local region, dengan menghasilkan vektor frekuensi nilai yang direpresentasikan melalui histogram. Pembentukan histogram LBPV descriptor sama seperti,. Histogram descriptor memiliki +2 bin dengan banyaknya sampling points yang digunakan. Ekstraksi tekstur menggunakan juga diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). Ekstraksi tekstur dengan Multi-Block Local Binary Pattern Hasil distribusi citra setelah diproses pada image enhancement dengan Gaussian filrering selanjutnya dilakukan tahap ekstraksi dengan Multi-Block Local Binary Pattern (MBLBP). Pada proses ekstraksi tekstur pada penelitian ini menggunakan tiga descriptor, yaitu,,,, dan. Pengolahan selanjutnya membagi citra ke dalam beberapa operator sesuai dengan sampling points dan radius yang digunakan. Penelitian ini menggunakan empat macam operator yang disajikan pada Tabel 2. Tabel 2 Berbagai macam MBLBP (P, R) Ukuran Blok besar (piksel) Ukuran blok kecil (subregion) Kuantisasi Sudut (8,1) 9 x 9 3 x 3 45 derajat (8,2) 15 x15 3 x 3 45 derajat (16,2) 15 x 15 3 x 3 22,5 derajat (24,3) 21 x 21 3 x 3 15 derajat Penentuan ukuran blok besar dan kuantisasi sudut yang digunakan menggunakan formula berikut: = 2+ 1 (19) = (20) Ekstraksi tekstur dilakukan menggunakan berbagai macam operator dengan sub-regions berukuran 3x3 ketetanggaan. Sub-regions merupakan hasil nilai rata-rata setiap single piksel yang berbentuk persegi. Setiap sub-regions overlapping dengan sub-regions berikutnya dengan jarak satu piksel. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu: 1. Ekstraksi tekstur dengan, ) Ekstraksi tekstur menggunakan, descriptor mengolah setiap blok besar yang terdiri atas sub-regions pada suatu citra menggunakan persamaan (12). Hasil dari pengolahan setiap blok besar menghasilkan pola biner MBLBP. Kemudian pola biner MBLBP setiap blok besar diidentifikasi ke dalam uniform patterns atau non uniform patterns. Jika termasuk uniform patterns, dihitung banyaknya bit satu yang terdapat pada pola tersebut 9

4 yang akan menentukan letak bin uniform patterns tersebut berada. Gambar 10 Pembentukan histogram. Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang merupakan frekuensi nilai, seluruh blok besar pada suatu citra. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 10. Histogram, descriptor memiliki +2 bin dengan merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan +1 merupakan bin uniform patterns, sedangkan bin terakhir (+2) merupakan single bin untuk nonuniform patterns. Ekstraksi tekstur menggunakan, diolah menggunakan empat operator yaitu (8,1), (8,2), (16,2), dan (24,3). 2. Ekstraksi tekstur dengan, Ekstraksi tekstur menggunakan, descriptor dilakukan menggunakan persamaan (13) dan (14). Setiap nilai sub-regions ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai, pada suatu local region, maka semakin kontras local region tersebut. Hasil pengolahan dari setiap local region menghasilkan matriks nilai,. Nilai, yang dihasilkan merupakan nilai kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai, dalam rentang kelipatan 500 yang dilihat berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilai-nilai, dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor, memiliki 128 bin. Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar, pada suatu citra. Ekstraksi tekstur menggunakan, diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 3. Ekstraksi tekstur dengan Ekstraksi tekstur menggunakan descriptor memanfaatkan keseluruhan hasil nilainilai local region (blok besar), dan,. Ekstraksi dilakukan dengan menggabungkan nilai, dan, menggunakan persamaan (15) dan (16). descriptor bekerja dengan mencocokkan posisi local region. Setiap nilai local region yang ada di, merujuk pada nilai local region, pada posisi local region yang sama. Sampling points dan radius yang digunakan, dan, harus sama. Hasil dari penggabungan local region, dengan, menghasilkan vektor frekuensi nilai yang direpresentasikan melalui histogram. Pembentukan histogram MBLBPV descriptor sama seperti,. Histogram descriptor memiliki +2 bin dengan banyaknya sampling points yang digunakan. Ekstraksi tekstur menggunakan juga diolah menggunakan. Tahap penggabungan operator dilakukan dengan menggunakan perangkaian (concatenation) beberapa buah histogram sesuai dengan operator yang dirangkaikan. Banyaknya operator yang digunakan dalam penelitian ini dibatasi paling banyak adalah tiga. Hasil dari penggabungan beberapa operator menghasilkan sebuah histogram dengan panjang bin yang merupakan penjumlahan dari bin-bin histogram yang digabungkan. Histogram hasil penggabungan maupun tanpa penggabungan operator selanjutnya akan dijadikan input untuk proses klasifikasi. operator yang digunakan sebanyak tiga descriptor yaitu,,,, dan MBLBPV. 1. operator dengan, ) dapat dilihat pada Tabel 3. Tabel 3 operator pada, P,R Jumlah Bin (8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3) , 10

5 Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. operator dengan, dapat dilihat pada Tabel 4. Tabel 4 operator pada, P,R Jumlah Bin (8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) , (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3) Panjang bin dari setiap skala sebesar 128 bin. Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 256 bin. 3. operator dengan dapat dilihat pada Tabel 5. Tabel 5 operator pada P,R Jumlah Bin (8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3) Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan, misalnya penggabungan, +,, maka panjang bin yang dihasilkan sebesar 28 bin. Klasifikasi dengan Probabilistic Neural Network (PNN) Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram untuk setiap operator. Tahap selanjutnya adalah mengklasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan pada vektor histogram penggabungan maupun tanpa penggabungan. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30% untuk data pohon serta 80% dan 20% untuk data daun. Selanjutnya diperoleh model klasifikasi dari hasil pelatihan data. Model klasifikasi digunakan untuk proses pengujian. Pada penggabungan operator maupun tanpa penggabungan operator harus diekstraksi terlebih dahulu. Hasil identifikasi citra pohon menggunakan MBLBP akan dibandingkan dengan hasil identifikasi citra pohon menggunakan LBP. Klasifikasi dilakukan dengan 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 Sistem Pengujian data dilakuan oleh sistem, yaitu dengan penilaian tingkat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari 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: = 100% (22) Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor intel Core 2 Duo 2.00 GHz, memori DDR3 RAM 1.00 GB dan hardisk 320 GB. Perangkat lunak yang digunakan adalah Sistem Operasi Windows7, Library OpenCV 2.1, dan Visual C++. Hasil HASIL DAN PEMBAHASAN Pada tahap awal praproses, dilakukan perbaikan data citra pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Pada data 11