APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK

Transkripsi

1 APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK INTISARI Pauzi Ibrahim Nainggolan 1, Yeni Herdiyeni 2 1 Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, Ibrahim.pauzi@gmail.com 2 Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, yeni.herdiyeni@ipb.ac.id PAUZI IBRAHIM NAINGGOLAN. Aplikasi Mobile untuk Identifikasi Tumbuhan Obat menggunakan Local Binary Patterns dengan Klasifikasi Probabilistic Neural Network di bombing oleh YENI HERDIYENI. Penelitian ini mengusulkan aplikasi mobile untuk identifikasi tumbuhan obat. Local Binary Pattern (LBP) digunakan untuk mengekstraksi fitur-fitur dari gambar and Probabilistic Neural riu2 Network (PNN) digunkan untuk klasifikasi tumbuhan obat pada perangkat mobile.lbp P,R adalah descriptor yang digunakan pada penelitian ini, descriptor ini menggunakan rotation invariant dan uniform patterns untuk memperoleh fitur tekstur pada gambar. Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android. Data yang digunakan adalah foto tumbuhan obat dari Kebun Raya Bogor-Indonesia yang terdiri atas 15 spesies dengan 10 variasi gambar untuk setiap spesies. Penelitian menghasilkan akurasi dari identifikasi adalah 31.11% dan membutuhkan waktu rata-rata detik. Hasil penelitian ini menunjukkan bahwa data yang digunakan masih sedikit, untuk itu penelitian ini membutuhkan data yang lebih banyak dan pengkajian lebih lanjut untuk meningkatkan akurasi. Aplikasi yang baru pada perangkat mobile ini berguna untuk masyarakat dan peneliti dalam mengidentifikasi tumbuhan obat. Kata Kunci: Android, LBP, Tumbuhan Obat, Aplikasi Mobile, PNN. ABSTRACT PAUZI IBRAHIM NAINGGOLAN. Mobile Application for Medicinal Plants Identification using Local Binary Patterns Descriptor and Probabilistic Neural Network Method. Supervised by YENI HERDIYENI. This research proposed a new mobile application for medicinal plants identification. Local Binary Pattern (LBP) is used to extract image features and Probabilistic Neural Network (PNN) is used to classify medicinal plants on mobile phone. LBP riu2 P,R was used as LBP descriptor in this research, which using rotation invariant and uniform patterns of image texture. The aim of this research was to implement this application in open source Android 2.3 (Gingerbread) operating system. Datas is we used medicinal leaf image from Botanical Garden, Bogor Indonesia at consist of 15 species with 10 variation for each species. The experimental showed that the accuracy of identification is 31.11% and computation time is seconds. The experimental result show that we use small dataset, so this research need to be explore further to improve the accuracy. This new mobile application is usefull to help user for plant identification. Keywords: Android, LBP, medicinal plant, mobile application, PNN. PENDAHULUAN Indonesia merupakan Negara yang kaya akan keanekaragaman spesies tumbuhan obat, Indonesia memiliki lebih dari spesies tumbuhan obat (Bappenas 2003). Potensi pemanfaatan tumbuhan obat sangat besar apabila dapat dilakukan langsung oleh

2 2 masyarakat luas, namun untuk dapat mengenali manfaat dari setiap tumbuhan obat itu sendiri bagi masyarakat luas sulit dilakukan. Beberapa masyarakat melakukannya dengan membandingkan gambar daun yang akan diidentifikasi dengan gambar daun yang terdapat pada buku atau melakukannya di laboratorium secara manual oleh ahli di bidang taxonomy tumbuhan obat. Hal tersebut membutuhkan waktu dan biaya yang banyak. Penelitian mengenai pengenalan tumbuhan obat sudah dilakukan dengan komputasi berbasiskan gambar. Pengenalan tumbuhan obat dengan mengekstrasksi ciri daun yang telah dilakukan masih di lingkungan komputer desktop. Dengan berkembangnya teknologi mobile, akan lebih bermanfaat jika aplikasi dibangun pada perangkat mobile, karena dapat dibawa kemana saja. Penelitian ini mengembangkan sebuah perangkat lunak yang dapat mengidentifikasi tumbuhan obat pada handset yang berbasiskan sistem operasi Android. Sesuai dengan penelitian Speckmann (2008), untuk saat ini platform yang paling baik digunakan dalam pengembangan aplikasi pada handset adalah sistem operasi Android. Diharapkan aplikasi ini dapat memberikan informasi yang relevan kepada masyarakat untuk identifikasi tumbuhan obat. Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android. Teknik identifikasi yang digunakan adalah Local Binary Pattern (LBP) dengan klasifikasi Probabilistic Neural Network (PNN). Ruang lingkup penelitian ini adalah: 1 Data diperoleh dari hasil pengambilan citra 15 jenis tumbuhan obat menggunakan kamera pada perangkat mobile yang berasal dari kebun Raya Bogor. 2 Penelitian ini menggunakan Operator LBP dengan descriptor LBP riu2 24,3. 3 Aplikasi yang dibangun pada perangkat mobile dengan sistem operasi Android 2.2 (Froyo). TINJAUAN PUSTAKA Tumbuhan Obat Indonesia merupakan negara yang kaya akan tumbuhan tropis. Jumlah tumbuhan tropis di Indonesia sekita spesies (Damayanti 2008). Diantara spesies

3 3 tersebut, sampai dengan 2001 data spesies tumbuhan obat yang dapat diidentifikasi hanya spesies (Zuhud 2009). Damayanti et al. (2011) mengemukakan tantangan dalam identifikasi tumbuhan obat adalah: 1 Mendorong generasi muda untuk menjadi ahli taksonomi. 2 Mendorong generasi muda untuk melanjutkan warisan dari nenek moyang dalam pengenalan dan identifikasi spesies tumbuhan obat-obatan. 3 Mengembangkan lembaga yang lebih berwenang untuk identifikasi specimen. 4 Mengembangkan teknologi yang mengurangi masalah dalam identifikasi. 5 Mengembangkan jaringan dengan para stakeholder dalam bidang teknologi. Local Binary Patterns Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur pada mode warna grayscale. LBP pertama sekali diperkenalkan oleh Timo Ojala. LBP digunakan untuk mencari pola pada citra (texture in local neighborhood) (Mäenpää 2003). LBP adalah sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar 1. Notasi g i merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat g c ) digunakan sebagai nilai ambang batas (threshold) untuk memotong setiap nilai piksel ketetanggaan untuk mendapatkan kode binernya. Gambar 1 Circular neighborhood delapan sampling points. Untuk mendapatkan nilai LBP, kode-kode biner yang telah didapatkan, dikalikan dengan pembobotan binernya. Gambar 2 menunjukkan operasi dasar LBP. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya.

4 4 Gambar 2 Contoh perhitungan nilai LBP. Formulasi LBP dapat dituliskan sebagai berikut: LBP P,R (x c,y c )= dimana : s x = 1 x 0 0 x<0 P-1 p=0 s(g p -g c )2 p [1] dimana : x c dan y c adalah koordinat pusat piksel ketetanggaan, p adalah circular sampling points, P adalah banyaknya sampling points, g p adalah nilai keabuan dari p, g c adalah nilai piksel pusat, dan s adalah sign (kode biner). Nilai-nilai LBP selanjutnya direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok i,j ), untuk ukuran citra NxM, tekstur citra direpresentasikan dengan membentuk histogram: N M H k = i=1 j=1 f LBP P,R i,j,k, k 0,K [2] dengan f x,y = 1, x = y 0, selainnya dan K merupakan nilai LBP terbesar. Perhitungan nilai LBP seperti pada Gambar 3 ditentukan oleh radius (R) dari jumlah sampling points (P), sehingga Local Binary Patterns dinotasikan sebagai LBP (P,R). Semakin besar nilai P akan meningkatkan informasi tekstur yang didapat. Urutan

5 5 pengodean LBP yang bersifat tetap menyebabkan ada sejumlah 2+P jumlah pola LBP. Gambar 3 memperlihatkan contoh operator LBP dengan beberapa nilai P dan R. Gambar 3 Operator LBP. Rotation Invariant Uniform Patterns (LBP riu2 P,R ) Penggabungan antara uniform patterns dan rotation invariant dilambangkan LBP riu2 P,R. Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling points P dan radius R. LBP riu2 P,R merupakan ukuran ketidaksensitifan (invariant) terhadap perubahan grayscale. LBP riu2 P,R merupakan ukuran yang digunakan untuk pola spasial. Jumlah pola yang dihasilkan uniform patterns adalah P P-1 +2 bins. Ketika uniform patterns dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi P+1 bins. Rotation invariant uniform patterns diformulasikan sebagai berikut: LBP riu2 P,R = P-1 p=0 s g p -g c, if U LBP P,R 2 [3] P + 1, & selainnya Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P, banyaknya sampling points sama dengan delapan, nilai LBP riu2 P,R adalah nol sampai dengan P. Jika bukan uniform patterns, nilai bin terakhir ditambahkan satu, yaitu bin ke-p+1 yang merupakan single bin non uniform patterns (Mäenpää 2003). Probabilistic Neural Network (PNN) PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun PNN menggunakan pelatihan (training) supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu et al. 2007).

6 6 Gambar 4 Struktur PNN. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek x yang terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas. Struktur PNN ditunjukkan pada Gambar 4. Proses-proses yang terjadi setelah lapisan masukan ialah: 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 x yang akan diklasifiksikan dengan vektor bobot x ij, yaitu Z i =x. x ij, Z i kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas n = exp (-n) 2. Dengan demikian, persamaan yang digunakan pada lapisan pola ialah. f x =exp - (x-x ij) T (x-x ij ) 2σ 2 2. [4] 2 Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: p x = 1 k (2π) 2 σ k t 2 ) 2σ 2 exp(- (x-x ij) T t (x-x ij ) i=1.. [5]

7 7 3 Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai p Y x paling besar dibandingkan kelas lainnya. METODE PENELITIAN Penelitian ini dilakukan dengan model client server menggunakan dua perangkat yaitu handset pada front-end dan server sebagai back-end seperti terlihat pada Gambar 5. Gambar 5 Model client server. Setiap perangkat memiliki alur proses yang terkait dengan perangkat lainnya. Perangkat pada server mengekstrak data citra latih untuk mendapatkan model klasifikasi. Model klasifikasi ini didistribusikan ke perangkat handset untuk digunakan pada proses klasifikasi. Pada handset sendiri proses tidak berbeda jauh dengan proses pada server. Aplikasi pada sisi client dapat mengekstraksi dan mengklasifikasikan citra masukan. Namun, handset tidak menghasilkan model klasifikasi, hanya menggunakan model klasifikasi yang telah dihasilkan oleh server seperti terlihat pada Gambar 6. Gambar 6 Metode penelitian.

8 8 Ekstraksi Fitur Tekstur Tumbuhan Obat Proses ekstraksi fitur pada penelitian ini menggunakan descriptor LBP riu2 P,R. Proses awal ekstraksi citra ialah mengubah citra RGB menjadi citra grayscale seperti terlihat pada Gambar 7. Proses ini dilakukan pada server dan client. Penentuan objek daun pada citra grayscale pada client menggunakan deteksi tepi canny. Gambar 7 Perubahan mode warna citra. Pengolahan selanjutnya membagi citra ke dalam beberapa blok (local region) sesuai dengan descriptor dan operator circular neighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan descriptor dan operator LBP riu2 24,3 dengan kuantisasi sudut 15 derajat. Penentuan ukuran blok dan kuantisasi sudut yang digunakan untuk satu local region menggunakan formula berikut: blok= radius [6] kuantisasi sudut= 2π P.... [7] Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 8. Gambar 8 Ilustrasi pembagian ukuran blok. Ekstraksi tekstur dilakukan pada setiap blok. Setiap blok overlapping dengan blok berikutnya dengan jarak satu piksel. Masing-masing blok diekstraksi menggunakan Local Binary Pattern descriptor, yaitu: LBP riu2 P,R. riu2 Ekstraksi tekstur dengan LBP P,R Ekstraksi tekstur menggunakan LBP riu2 P,R descriptor mengolah setiap blok (local region) pada suatu citra menggunakan persamaan (3). Hasil dari pengolahan setiap blok menghasilkan pola LBP. Kemudian pola LBP setiap blok diidentifikasi masuk ke dalam uniform patterns atau nonuniform patterns. Jika termasuk uniform patterns, dihitung

9 9 banyaknya bit satu yang ada pada pola tersebut yang akan menentukan letak bin uniform patterns tersebut berada. Gambar 9 Pembentukan histogram. Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP riu2 P,R seluruh blok pada suatu citra. Ilustrasi pembentukan riu2 histogram ditunjukkan pada Gambar 9. Histogram LBP P,R descriptor memiliki P + 2 bin dengan P merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan P+1 merupakan bin uniform patterns, sedangkan bin terakhir (P+2) merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan LBP riu2 P,R diolah menggunakan operator (24,3). Identifikasi Citra dengan Probabilistic Neural Network (PNN) Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram. Tahapan selanjutnya ialah menglasifikasikan vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji. Data yang digunakan pada data citra daun tumbuhan obat sebanyak 10 citra dari setiap kelas dengan pembagian 7 citra data latih dan 3 citra data uji. Data citra latih digunakan pada server untuk mendapatkan model klasifikasi. Model klasifikasi tersebut lalu didistribusikan ke client. Pada sisi client model klasifikasi tersebut digunakan sebagai lapisan pola untuk identifikasi kelas keputusan dari citra query. Evaluasi Evaluasi data yang dilakukuan oleh aplikasi menggunakan 2 parameter, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri dan waktu proses pada client. 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: akurasi= banyaknya prediksi yang benar 100%.... [8] total banyaknya prediksi Evaluasi waktu proses dari aplikasi didasarkan pada waktu ekstraksi dan waktu proses klasifikasi. Evaluasi waktu proses identifikasi dimaksudkan untuk kelayakan dari aplikasi yang berjalan pada perangkat mobile.

10 10 Perangkat Keras dan perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel (R) Core (TM) i5 CPU M (4CPus)~2.5GHz, memori DDR RAM 4 GB, dan harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows 7 Home, Eclipse IDE for Java Developers Version: Helios Service Release 2 dan Android Development Toolkit Version: v HASIL DAN PEMBAHASAN Pengembangan Aplikasi Mobile Pengembangan aplikasi pada penelitian ini menggunakan bahasa pemograman Java dengan library OpenCV 2.1 pada perangkat mobile dengan sistem operasi Android. Aplikasi yang dibangun diberi nama MedLeaf yang memiliki fasilitas untuk dapat mengidentifikasi citra query dari pengguna. Citra query dapat diambil langsung menggunakan kamera atau gallery bergantung kebutuhan pengguna. Citra query yang akan diidentifikasi sebelum diekstraksi dilakukan praproses. Citra hasil praproses diekstraksi dengan LBP riu2 24,3. Proses ekstraksi citra menghasilkan vector histogram. Nilai vector histogram tersebut menjadi lapisan masukan pada klasifikasi dengan PNN. Lapisan pola yang digunakan pada klasifikasi PNN digunakan dari hasil training pada server. Antarmuka aplikasi yang telah dibangun dapat dilihat pada Gambar 10. Gambar 10 Antarmuka aplikasi untuk identifikasi. Hasil klasifikasi dengan PNN ialah lima besar kelas citra yang mempunya jarak terdekat dengan citra query. Lima citra terdekat tersebut ditampilkan pada aplikasi berdasarkan peringkat kedekatan. Citra hasil identifikasi juga menampilkan informasi umum dari tumbuhan tersebut. Aplikasi yang dikembangkan juga memiliki fasilitas untuk upload citra yang diakuisisi oleh pengguna. Fasilitas ini dimaksudkan untuk memperkaya koleksi citra pada server.

11 11 Hasil Praproses Sebelum mengekstrak ciri tekstur pada citra, dilakukan tahap praproses. Pada awal tahapan praproses, dilakukan perubahan mode warna citra menjadi grayscale. Selanjutnya, perbaikan citra dilakukan dengan mengubah ukuran citra. Gambar 11 Praproses Tahapan praproses pada server dilakukan secara manual, sedangkan pada aplikasi mobile dilakukan secara otomatis dengan penskalaan dan pemotongan citra. Penentuan objek daun pada citra dengan merubah mode grayscale ke mode binary dengan deteksi tepi canny. Citra hasil proses dengan canny diterapkan fungsi findcontour yang terdapat pada library OpenCV. Nilai-nilai pixel hasil fungsi findcontour terluar menjadi batas nilai pixel objek daun, selainnya nilai dibuang atau diputihkan dengan merubah nilai pixel tersebut menjadi 255. Tahap praproses pada aplikasi mobile dilakukan tanpa menghilangkan informasi tekstur dari citra tersebut. Contoh dengan citra hasil akuisisi menggunakan kamera 8 megapixel menghasilkan citra dengan ukuran 3268x1952. Digunakan teknik penskalaan dan pemotongan citra untuk mendapatkan ukuran 270x240 piksel sesuai dengan data latih seperti terlihat pada Gambar 11. Tahapan praproses ini bertujuan untuk mengurangi waktu pemrosesan data (computation time) dan penentuan objek tekstur yang akan dievaluasi. Evaluasi Hasil Identifikasi Citra dengan LBP riu2 P,R Mobile Hasil identifikasi setiap kelas tumbuhan obat pada aplikasi mobile menggunakan nilai sampling point dan radius yang sama dengan server yaitu dengan P = 24 dan R = 3. Nilai evaluasi akurasi hasil identifikasi pada aplikasi mobile disajikan pada Tabel 1 dalam satuan persen. Tabel 1 Hasil identifikasi pada aplikasi mobile Nama Tumbuhan Akurasi Akar Kuning 33.33% Alamanda 66.67%

12 12 Dandang Gendis 0.00% Daruju 0.00% Ekor Kucing 66.67% Handeuleum 0.00% Iler 66.67% Jambu Biji 33.33% Jarak Pagar 0.00% Kumis kucing 33.33% Pecah Batu 0.00% Puring 66.67% Sambang Darah 33.33% Seuseureuhan 33.33% Sosor Bebek 33.33% Total Rata- rata 31.11% Hasil akurasi dari 15 kelas citra yang diuji pada aplikasi mobile menghasilkan nilai rata-rata akurasi 31.11%. Perbedaan dengan hasil identifikasi pada server dipengaruhi oleh beberapa faktor yaitu: jumlah data tumbuhan, jumlah jenis tumbuhan dan tahapan praproses yang berbeda antara server dan aplikasi mobile. Pada penelitian ini, digunakan 10 data citra daun untuk setiap kelas tumbuhan obat. Data citra daun dibagi 70% untuk data citra latih dan 30% untuk data citra uji. Akurasi dari setiap citra yang diambil menggunakan perangkat mobile memiliki property intensitas cahaya, sudut pengambilan gambar, dan jarak kamera dengan objek gambar yang beragam seperti yang ditunjukkan pada gambar 12. Pemanfaatan flash light pada perangkat mobile yang menyediakan fasilitas tersebut, dapat menstabilkan intensitas cahaya, mengurangi area gelap dan memberikan kontras dari tekstur setiap objek. Jarak dan sudut pengambilan gambar yang bagus dapat memberikan informasi tekstur objek dengan lebih rinci dan detail. Pengambilan gambar juga tidak harus seluruh area daun, karna aplikasi ini fokus pada tekstur daun. Gambar 12 Teknik akuisisi yang berpengaruh dalam identifikasi tumbuhan obat. Evaluasi Waktu Proses Identifikasi Citra dengan LBP riu2 P,R Mobile Data citra daun tumbuhan obat yang diakuisisi langsung menggunakan perangkat mobile lalu diekstraksi dengan LBP riu2 24,3 dan klasifikasi dengan PNN mempunyai waktu

13 13 proses yang cukup layak dengan rata-rata detik. Selengkapnya rata-rata waktu komputasi yang diperlukan untuk setiap kelasnya ada pada Tabel 2. riu2 Tabel 2 Waktu komputasi pada perangkat mobile dengan LBP 24,3 Nama Tumbuhan Waktu Proses(detik) Akar Kuning Alamanda Dandang Gendis Daruju Ekor Kucing Handeuleum Iler Jambu Biji Jarak Pagar Kumis kucing Pecah Batu Puring Sambang Darah Seuseureuhan Sosor Bebek Total Rata- rata Waktu proses dari setiap data daun merupakan rata-rata dari tiga sample citra. Waktu proses yang cukup lama ini dipengaruhi oleh nilai sampling point dan radius yang cukup besar. Tahapan praproses pada aplikasi ini membantu dalam mengurangi waktu proses ekstraksinya. Besaran dari model klasifikasi juga ikut mempengaruhi waktu proses identifikasi, namu pengaruhnya tidak sebesar nilai sampling point dan radius. KESIMPULAN DAN SARAN Kesimpulan Pengembangan aplikasi untuk identifikasi tumbuhan obat menggunakan LBP dengan klasifikasi PNN pada perangkat mobile yang berbasiskan sistem operasi Android berhasil dilakukan. LBP yang digunakan adalah LBP riu2 P,R dengan nilai sampling point dan radius 24,3. Ekstraki dengan LBP riu2 24,3 dan klasifikasi dengan PNN menghasilkan nilai akurasi yang sama yaitu 31.11%. Masing-masing teknik ekstraksi memiliki waktu proses yang berbeda pada perangkat mobile untuk LBP riu2 24,3 menghasilkan waktu rata-rata detik.

14 14 Saran Penelitian ini menggunakan data citra yang relatif sedikit jumlahnya, sehingga untuk penelitian selanjutnya diharapkan memiliki data citra yang lebih banyak jumlah setiap kelas dan jumlah kelasnya. Penggunaan look-up table untuk mempercepat waktu komputasi pada mobile. Mengembangkan sistem segmentasi dalam penentuan objek untuk meningkatkan akurasi. UCAPAN TERIMA KASIH Alhamdulillahi Rabbil alamin, segala puji dan syukur penulis panjatkan kepada Allah Subhanallah Wata ala atas limpahan rahmat dan hidayah-nya, sehingga penulis dapat menyelesaikan penelitian yang berjudul Aplikasi Mobile Untuk Identifikasi Tumbuhan Obat Menggunakan Local Binary Pattern dengan Klasifikasi Probabilistic Neural Network dengan lancar dan baik. Penelitian ini dilaksanakan mulai Februari 2012 sampai dengan Juli 2012, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan ucapan terima kasih kepada: 1. Ayah Dr. H. Hamonangan Nainggolan M.Sc, Ibu Jusridawati Situmeang, dan kakakadik tercinta, Yasser Hudan Nainggolan SE AK, Sarah Mahdia SSi, Aisyah Hudaya, dan Maulana Assalam Nainggolan 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 Musthofa, S.Komp, M.Sc dan Ibu Karlina Khiyarin Nisa S.Kom, M.T. selaku dosen penguji atas kemudahan dan ilmu yang telah diberikan kepada penulis. 4. Teman-teman satu bimbingan Canggih Trisyanto, Mayanda Mega, Ni Kadek, Oki Maulana, Desta Sandya, Ryanti Octaviani, Siska Susanti, dan Tomy Kurniawan atas saran, masukan dan nasihat yang diberikan kepada penulis. 5. Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis. 6. Teman-teman kosan White House Arif Hadiwibowo, Ari AlKautsar, Desta, Rahmat Setyawan, Jefri, dan Zulhan Arief S.Si M.si. 7. Saudara-saudara yang telah berkontribusi dalam skripsi ini Ari Wibowo Astono, Budi Hartono Siregar ST, dan Arief Seno Prabowo SE.

15 15 DAFTAR PUSTAKA Speckmann B The Android mobile platform [skripsi]. Michigan: Department of Computer Science, Eastern Michigan University. Damayanti, EK Legality of national parks and involvement of local people: case studies in Java, Indonesia and Kerala, India[Dissertation]. Tsukuba: Doctoral Program, University of Tsukuba. Zuhud, EAM Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan Obat dalam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia 6(6): Damayanti EK, Hikmat A, Zuhud EAM Indonesian tropical medicinal plants diversity: problems and challenges in identification. Di dalam: International Workshop Linking Biodiversity and Computer Vision Technology to Enhance Sustainable Utilization of Indonesian Tropical Medicinal Plants". Prosiding Pertemuan Ilmiah Tahunan; Bogor, 11 Aug Bogor: Department of Forest Resources Conservation and Ecotourism. Faculty of Forestry. Bogor Agricultural University. hlm 1 Mäenpää T The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu University Press. Wu SG, et al A leaf recognition algorithm for plant using probabilistic neural network. Di dalam: IEEE 7th International Symposium on Signal Processing and Information Technology. Prosiding Pertemuan Ilmiah Tahunan; Cairo, 1 Nov Cairo: IEEE. hlm 3