Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere

Transkripsi

1 PRESENTASI TUGAS AKHIR Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere Yusuf Ardiansjah ( ) Dosen Pembimbing : Nanik Suciati, S.Kom, M.Kom., Dr.Eng. Darlis Herumurti, S.Kom, M.Kom Page 1

2 Pendahuluan Page 2

3 LATAR BELAKANG 1. Tanaman memainkan peran penting dalam kehidupan. 2. Masih banyak tanaman di dunia yang belum teridentifikasi namanya. 3. Tanaman dapat diklasifikasikan berdasarkan bentuk daunnya. 4. Perangkat lunak yang mampu mengenali spesies tanaman perlu dikembangkan untuk mengotomasi proses pengklasifikasian tanaman. Tugas Akhir KI

4 TUJUAN Tujuan dari pembuatan tugas akhir ini adalah untuk mengembangkan perangkat lunak yang dapat mengklasifikasikan tanaman menggunakan ekstraksi fiitur morfologi bentuk pada citra daun dan algoritma Move Median Center (MMC) Hypersphere untuk klasifikasinya. Tugas Akhir KI

5 RUMUSAN MASALAH 1. Bagaimana melakukan preproses pada citra daun RGB sehingga didapatkan citra tepi dari daun? 2. Bagaimana melakukan ekstraksi fitur pada daun sehingga didapatkan fitur morfologi bentuk dari citra daun? 3. Bagaimana mengimplementasikan algoritma MMC Hypersphere untuk proses pengenalan spesies tanaman berdasarkan bentuk citra daun? Tugas Akhir KI

6 Metode dan Implementasi Page 6

7 Gambaran Umum Akuisisi Citra Daun Preproses Citra Daun Ekstraksi Fitur Training MMC Klasifikasi Hasil Tugas Akhir KI

8 Akuisisi Citra Daun Citra yang digunakan berasal dari Database terdiri dari 1907 citra daun Citra daun yang diambil merupakan citra daun tanpa latar belakang Terdiri dari 32 spesies (kelas) yang berbeda Setiap kelas memiliki jumlah data citra daun yang berbeda Tugas Akhir KI

9 Image Preproses Tujuannya untuk mendapatkan citra tepi (kontur) dari citra daun. Citra dari database dirubah menjadi citra grayscale Menggunakan threshold 0.95 citra grayscale dirubah menjadi citra biner Menggunakan filter laplacian, citra biner dirubah menjadi citra tepi Tugas Akhir KI

10 Ekstraksi Fitur Tujuannya untuk mendapatkan fitur 15 DMF dari citra daun Fitur DMF yang diambil, terdiri dari : 8 fitur GF 7 fitur Invariant Moment (MF) Tugas Akhir KI

11 Fitur-fitur yang digunakan dalam GF Geometrical Feature (GF) Aspect ratio (AR) : perbandingan panjang max (D max ) dan panjang min (D min ) Rectangularity : perbandingan area ROI (area daun) A ROI dan area MBR Area ratio of convex hull : perbandingan area ROI (area daun) dengan area convex hull A c Tugas Akhir KI

12 Fitur-fitur yang digunakan dalam GF Geometrical Feature (GF) Perimeter ratio of convex hull : perbandingan keliling ROI (keliling daun) P ROI dengan keliling convex hull P c Sphericity : perbandingan jari-jari lingkaran dalam r i dengan jari-jari lingkaran luar r c Circularity : perbandingan mean jarak tepi ke pusat citra daun µ R dengan kuadratik dari jarak tersebut σ R Tugas Akhir KI

13 Fitur-fitur yang digunakan dalam GF Geometrical Feature (GF) Eccentricity : perbandingan panjang inersia utama citra E A dengan panjang minor inersia E B Form factor Tugas Akhir KI

14 INVARIANT MOMENT FEATURE(MF) Digunakan pula MF sebagai baian dari DMF Fungsi MF tidak berubah terhadap transformasi geometris seperti translasi, penyekalaan, dan rotasi Momen suatu citra I(x,y) didefinisikan sebagai berikut : Dinormalisasi, dengan dengan nilai Sehingga menghasilkan 7 Hu moment Invariant sebagai fitur. Tugas Akhir KI

15 INVARIANT MOMENT FEATURE(MF) Tugas Akhir KI

16 Training MMC Hypersphere Hasil dari proses training ini adalah matriks berisi kelas, jari-jari, serta pusat hypersphere Digunakan untuk menentukan kelas data uji pada proses klasifikasi Tugas Akhir KI

17 Langkah 1 Tentukan sebagai inisialnya K = 1, C = 1, S = semua titik dari kelas C. Langkah 2 Tentukan median dari S. Langkah 3 Pilih titik terdekat P y ke median sebagai inisial pusat dari hypersphere K. Langkah 4 Tentukan titik terdekat titik P z dari kelas yang berbeda dari pusat, dengan D 1 sebagai jarak antara P y dan P z. Langkah 5 Tentukan titik terjauh dari kelas yang sama di dalam hypersphere dari radius D 1 ke pusat, dengan D 2 sebagai jarak dari pusat ke titik terjauh. Langkah 6 Tetapkan radius dari hypersphere K sebagai (D 1 +D 2 )/2. Training MMC Hypersphere Tugas Akhir KI

18 Langkah 7 Cari di antara titik E dalam kelas yang sama C yang merupakan arah negative yang didefinisikan sebagai berikut P x P y. Tujuannya adalah memindahkan pusat dari titik baru untuk memperbesar hypersphere. Titik yang paling negative dipilih untuk menggantikan P y sebagai pusat. Langkah 8 Jika tidak adah titik dengan arah negative yang dapat dipindah, Hypersphere K telah terpenuhi, jika tidak maka ulangi langkah 5-7. Langkah 9 - Hapus titik yang diliputi oleh hypersphere K dari S. Langkah 10 Tetapkan K = K+1, jika S tidak kosong maka ulangi langkah 2-9, jika tidak maka C = C+1, dan operasikan pada kelas baru dengan menjalankan 1-9. Training MMC Hypersphere Tugas Akhir KI

19 Tujuannya adalah untuk menentukan kelas dari data uji Tahap Klasifikasi Langkah 1 : Hitung jarak D i antara data poin dan pusat dari tiap hypersphere H i Langkah 2 : Indeks untuk tetangga terdekat hypersphere I q dipilih sebagai berikut : dimana H merupakan total hypersphere, Ri merupakan radius dari hypersphere H i Tugas Akhir KI

20 Uji coba & Hasil Page 20

21 SKENARIO UJI COBA 1. Tahap uji coba pertama adalah uji coba algoritma MMC hypersphere dengan melakukan modifikasi data latih dan data uji. Di uji pula keterkaitan fitur DMF, GF, MF dengan correction rate (%). 2. Algoritma MMC akan dibandingkan dengan algoritma lain yaitu k-nn, dengan jumlah k adalah 1,3 dan 5.

22 Hasil Akurasi rata-rata dari algoritma MMC Skenario Pertama No Jumlah data training Akurasi (%) Tugas Akhir KI

23 Hasil Akurasi rata-rata dari algoritma MMC Skenario Pertama 66 Akurasi dalam % Akurasi Akurasi dalam % Percobaan ke Tugas Akhir KI

24 Skenario Pertama Hasil akurasi perbandingan fitur-fitur datatraining DMF GF MF Tugas Akhir KI

25 Skenario Pertama Hasil akurasi perbandingan fitur-fitur 70 Correction Rate 60 Correction rate (%) DMF GF MF Tugas Akhir KI

26 Hasil perbandingan akurasi MMC, 1-NN, 3-NN, dan 5-NN Skenario Kedua Algoritma datatrain mmc 1nn 3nn 5nn Tugas Akhir KI

27 Hasil perbandingan akurasi MMC, 1-NN, 3-NN, dan 5-NN Skenario Kedua Akurasi (%) Akurasi(%) Data training mmc 1-nn 3-nn 5-nn Tugas Akhir KI

28 Kesimpulan dan Saran Page 28

29 KESIMPULAN Implementasi algoritma MMC untuk klasifikasi pada dataset dari hasilnya mendekati hasil dari nearest neighbor, namun tidak lebih baik. Hasil akurasi rata-rata dari MMC adalah 61,84%, sedangkan untuk 1-NN, 2-NN, dan 3-NN berturut-turut 75,05%, 73,77%, dan 73,34%. Implementasi algoritma MMC menghasilkan rata-rata yang terbaik untuk penggunaan data training sebesar 40 dari masing masing kelas, menghasilkan akurasi 65,14%. Fitur DMF yang merupakan gabungan antara GF dan MF merupakan fitur terbaik untuk diimplemetasikan dalam algoritma MMC, dibandingkan hanya menggunakan fitur GF ataupun MF saja. Tugas Akhir KI

30 KESIMPULAN SARAN Fitur yang digunakan hanya berupa fitur bentuk daun, sehingga untuk beberapa kelas yang memiliki bentuk hampir sama banyak yang mengalami kesalahan dalam klasifikasi sehingga hasil akurasinya rendah, misalnya untuk spesies phyllestachys pubescens dan podocarpus macrophyllus. Implementasi algoritma MMC Hypersphere untuk dataset citra daun dari sebaiknya perlu ada penambahan fitur, misalnya fitur warna atau fitur tekstur daun. Tugas Akhir KI

31 SELESAI TERIMA KASIH Tugas Akhir KI