PENDAHULUAN. Latar Belakang

Transkripsi

1 Latar Belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang kaya akan tumbuhan obat yang sangat potensial untuk dikembangkan. Untuk keanekaragaman tanaman, Indonesia memiliki lebih dari spesies tanaman (Bappenas 2003). Sampai tahun 2001 Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan IPB telah mendata dari berbagai laporan penelitian dan literatur tidak kurang dari 2039 spesies tumbuhan obat berasal dari hutan Indonesia (Zuhud 2009). Menurut hasil penelitian, dari sekian banyak jenis tumbuhan obat baru 20-22% yang dibudidayakan, sedangkan sekitar 78% diperoleh melalui pengambilan langsung (eksplorasi) dari hutan. Potensi tumbuhan obat di Indonesia, termasuk tumbuhan obat kehutanan, apabila dikelola dengan baik akan sangat bermanfaat dari segi ekonomi, sosial budaya maupun lingkungan (Masyhud 2010). Proses pengidentifikasian tumbuhan obat bisa dilakukan dengan berbagai cara, di antaranya melalui taksonom, dengan bantuan herbarium, dan text book mengenai taksonomi/ dendrologi. Jika identifikasi tersebut dilakukan langsung di hutan secara manual, dengan membandingkan ciri dari herbarium atau text book terhadap objek aslinya, memerlukan waktu yang lama dan cukup merepotkan. Oleh karena itu perlu dibuat suatu sistem yang dapat mengidentifikasi tumbuhan obat secara otomatis. Berdasarkan penelitian yang sudah dilakukan pada citra daun kelas Dicotyledonae, untuk ekstraksi fitur bentuk menggunakan Fourier (Ramadhani 2009) dan ekstraksi morfologi menggunakan ciri dasar dan turunan morfologi daun (Annisa 2009). Hasil rata-rata presisi yang diperoleh kedua fitur ini adalah 31.75% untuk bentuk dan 27.22% untuk morfologi. Selain itu, telah dilakukan penelitian untuk fitur ekstraksi tekstur menggunakan Local Binay Patterns Variance (LBPV) pada citra pohon tanaman hias (Kulsum 2010) dengan akurasi maksimumnya mencapai 73.33%. Untuk mempermudah proses identifikasi, maka hasil ekstraksi fitur ini kemudian dilakukan proses klasifikasi menggunakan klasifikasi Probabilistic Neural Network (PNN) berdasarkan penelitian Nurafifah (2010). Pada penelitian ini dilakukan proses identifikasi pada tumbuhan obat menggunakan ketiga fitur ekstraksi citra (morfologi, tekstur, dan bentuk) dan menggunakan PNN sebagai metode klasifikasinya. Tujuan Tujuan penelitian ini adalah mengembangkan sistem identifikasi tumbuhan obat dengan menggabungkan ciri morfologi, tekstur, dan bentuk, kemudian hasilnya diklasifikasikan menggunakan klasifikasi PNN. Ruang Lingkup Ruang lingkup penelitian ini adalah identifikasi citra daun tumbuhan obat di kebun Biofarmaka, Cikabayan dan di rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. Daun TINJAUAN PUSTAKA Daun merupakan bagian atau organ tumbuhan yang berfungsi membentuk makanan (fotosintesis), respirasi, dan transpirasi. Daun juga menunjukkan pola-pola yang khas dan bernilai penting dalam taksonomi (Anonim 2009). Hickey et. al (1999) telah mendeskripsikan ciri morfologi daun yang cukup rinci, khususnya untuk morfologi daun kelas Dicotyledonae. Ciri morfologi daun itu antara lain bangun daun (helai daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak kelenjar, tangkai daun, tekstur daun, tepi pertulangan, dan pengelompokan urat daun. Ekstraksi Ciri Ekstraksi ciri merupakan proses mendapatkan penciri dari suatu citra. Ciri citra yang didapat digunakan untuk identifikasi suatu citra. Ciri citra yang biasa dipakai dalam image retrieval adalah warna, bentuk, dan tekstur (Rodrigues 2004). Beberapa teknik untuk ekstraksi ciri memerlukan perubahan citra dari citra berwarna ke citra biner, penipisan pola dan sebagainya. Ciri bentuk merepresentasikan informasi geometris yang tergantung terhadap posisi, orientasi, dan ukuran. Ciri tekstur didefinisikan sebagai pengulangan pola yang ada pada suatu daerah bagian citra. Tekstur dapat juga membedakan permukaan dari beberapa kelas objek (Acharya dan Ray 2005). Ciri morfologi dapat mendeteksi perubahan bentuk dari suatu citra (Tzionas et al. 2005). Proses ekstraksi ciri 1

2 morfologi dapat dilakukan dengan pendekatan ekstraksi ciri dasar dan turunan. Morfologi Daun Wu et al. (2007) telah mendeskripsikan ekstraksi ciri morfologi. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar daun di antaranya diameter, panjang fisik, lebar fisik, area, dan perimeter daun. Diameter merupakan titik terjauh di antara dua titik dari batas daun. Panjang fisik merupakan jarak dua titik pangkal daun. Lebar fisik dihitung berdasarkan panjang garis terpanjang yang memotong garis panjang fisik secara ortogonal. Area dihitung berdasarkan jumlah piksel yang berada di dalam tepi daun, sedangkan perimeter merupakan jumlah piksel yang berada pada tepi daun (Annisa 2009). Dari lima ciri dasar tersebut, didapatkan dua belas ciri morfologi turunan. Nilai ciri turunan dapat dihitung dari rasio di antara ciri dasar daun. Ciri turunan dari morfologi daun di antaranya smooth factor, aspect ratio, form factor, rectangularity, narrow factor, rasio perimeter dan diameter, rasio perimeter dengan panjang dan lebar daun, serta lima ciri urat daun. Ciri turunan daun ada dua belas yaitu: 1 Smooth factor. Ciri untuk mengukur kehalusan suatu permukaan daun. Semakin halus suatu permukaan daun, maka nilainya semakin mendekati 1. Sebaliknya semakin kasar permukaan daunnya nilainya semakin mendekati 0. 2 Aspect ratio adalah rasio antara physiological length (L p ) dan physiological width (W p ). Persamaannya dapat dilihat pada Persamaan 1. Ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang dari 1 maka bentuk helai daun tersebut melebar. Jika benilai lebih dari 1 maka bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 1. 3 Form factor, digunakan untuk mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat dilihat pada Persamaan 2. 4 Rectangularity, mendeskripsikan seberapa perseginya permukaan daun. Rumusnya diberikan pada Persamaan 3. 5 Narrow factor adalah rasio antara diameter (D) dan physiological length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka benilai 1. Jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan Persamaan 4. 6 Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada.. Persamaan 5. 7 Perimeter ratio of physiological length and physiological width. Rumusnya diberikan pada Persamaan 6. 8 Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan 11. a. Rasio antara area helai daun yang telah element dengan radius satu piksel (A v1 ) b. Rasio antara area helai daun yang telah element dengan radius dua piksel (A v2 ) Gambar 1 Aspect ratio. 2

3 c. Rasio antara area helai daun yang telah element dengan radius tiga piksel (A v3 ) d. Rasio antara area helai daun yang telah element dengan radius empat piksel (A v4 ) e. Rasio antara area helai daun yang telah element dengan radius empat piksel (A v4 ) dan area helai daun yang telah dikurangi disk-shaped structuring element dengan radius satu piksel (A v1 ). Local Binary Patterns Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari pola-pola tekstur lokal pada citra (texture in local neighborhood) (Mäenpää 2003). LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar 2. Notasi merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold) untuk memotong setiap nilai piksel ketetanggaan. Contoh tresholded bobot Nilai threshold : Pola LBP : Nilai LBP: = 241 Gambar 3 Contoh operasi pada LBP. Gambar 3 menunjukkan operasi dasar LBP. Pola-pola biner LBP merepresentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Nilai LBP menunjukkan kode Local Binary Pattern. LBP dapat diformulasikan sebagai berikut: dengan x c dan y c adalah koordinat pusat piksel ketetanggaan, adalah circular sampling points, P adalah banyaknya sampling points, g p adalah nilai keabuan dari adalah nilai ratarata piksel ketetanggaan dan piksel pusat, dan s adalah sign (kode biner). Selanjutnya kode-kode LBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok (i,j)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram: Gambar 2 Circular neighborhood delapan sampling points. Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada. dengan K merupakan nilai LBP terbesar dan NxM piksel sebagai ukuran citra. Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling points dan radius. Beragamnya operator ini digunakan untuk membuat skala atau ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P, R) akan 3

4 digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. Gambar 4 memperlihatkan contoh circular neighborhood tiga operator. yang berbentuk seperti bel yang menskalakan variabel nonlinear (Wu et al. 2007). Keuntungan utama menggunakan arsitektur PNN adalah training data mudah dan sangat cepat. (8,1) (16,2) (8,2) Gambar 4 Beberapa ukuran circular neighborhood. Metode LBP ini telah dikembangkan lebih lanjut dengan menjadi LBPV (LBP Variance) yaitu dengan menggabungkan 2 metode LBPriu2 dan var. Kulsum (2010) telah berhasil menerapkan metode ini untuk mengekstraksi ciri citra tanaman hias tanpa proses segmentasi. Fourier Descriptors Salah satu teknik ekstraksi bentuk berdasarkan kontur adalah Fourier descriptors (Acharya dan Ray 2005). Fourier descriptors merepresentasikan suatu sinyal periodik dengan koefisien transformasi Fourier diskret Z(k) : Fourier descriptors bisa memberikan deskripsi bentuk yang berguna, bebas terhadap posisi, orientasi, dan ukuran objek suatu citra (Rahmadhani 2009). Banyaknya Fourier descriptors bisa merupakan bilangan berpangkat dua ataupun tidak. Fourier descriptors bisa digunakan untuk membangkitkan ulang kontur atau garis bentuk dengan menerapkan invers transformasi. Akan tetapi, jika koefisien transformasi diproses, seperti dipotong atau dikuantisasi, invers DFT tidak lagi menghasilkan representasi kontur yang akurat. Modifikasi koefisien Fourier bisa menghasilkan kurva yang tidak lagi tertutup. Probabilistic Neural Network PNN dikembangkan oleh Donald Specht pada tahun Arsitektur jaringannya diperkenalkan pada penelitian Probabilistic Neural Networks for Classification, Mapping or Associative Memory and Probabilistic Neural Networks. Struktur jaringan ini menyediakan solusi umum untuk masalah klasifikasi pola dengan mengikuti pendekatan statistik yaitu Bayesian Classifiers (Araghi et al. 2009). PNN merupakan ANN yang menggunakan radial basis function (RBF). RBF adalah fungsi Gambar 5 Struktur PNN. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek yang terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas. Struktur PNN ditunjukkan pada Gambar 5. Proses-proses yang terjadi setelah lapisan masukan adalah: 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih dari vektor masukan x yang akan diklasifikasikan 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 adalah: 2. Lapisan penjumlahan (summation layer) (17) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: 4

5 3. Lapisan keluaran (output layer) (18) Menentukan kelas dari input yang diberikan. Input x akan masuk ke kelas Y jika nilai peluang x masuk ke Y paling besar dibandingkan peluang masuk ke kelas lainnya. Classifier Combination Berdasarkan Kittler (1998) tujuan dari classifier combination adalah untuk meningkatkan efisiensi dari pengambilan keputusan. Classifier combination menggunakan kombinasi dari dua atau lebih hasil nilai aturan keputusan ciri individual (decision rules). Hasil klasifikasi masingmasing ciri menghasilkan prior probability dan posterior probability. Berdasarkan probabilitas tersebut, teknik classifier combination yang dapat digunakan di antaranya, product decision rule, sum decision rule, maximum decision rule dan majority vote rule. Menurut penelitian Nurafifah (2010) diketahui bahwa di antara 4 classifier combination tersebut, yang merupakan teknik paling optimal dalam meningkatkan akurasi adalah klasifikasi product decision rule (PDR). PDR merupakan classifier combination dengan formulasi : (19) Berdasarkan penelitian Nurafifah (2010), metode PDR mampu meningkatkan akurasi pada tanaman hias yang semula akurasi terbaik sebelum penggabungan 79.05% menjadi 83.33% (penggabungan 3 fitur ekstraksi citra, morfologi, tekstur, dan bentuk). METODE PENELITIAN Gambar 6 menunjukkan alur dari metode penelitian. Secara garis besar metode penelitian terdiri atas pengumpulan data penelitian (fitur morfologi, tekstur, dan bentuk), penggabungan fitur, pembagian data menjadi data latih dan data uji, pelatihan dengan PNN kombinasi (PDR), pengujian, dan evaluasi hasil temu kembali. Gambar 6 Metode penelitian. Data Citra Daun Citra yang digunakan diperoleh dari pemotretan langsung di kebun Biofarmaka IPB dan di rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. Pemotretan dilakukan dengan menggunakan 5 kamera digital yang berbeda (DSC-W55, 7210 Supernova, Canon Digital Axus 95 IS, Samsung PL100, EX-Z35). Total citra daun yang dipakai 1,440 citra yang terdiri atas 30 jenis daun, depan dan belakang (masingmasing kelas 48 citra) diambil beberapa pada waktu yang berbeda (pagi, siang, dan sore). Citra daun ini berformat JPEG dan berukuran 270 x 240 piksel. Jenis-jenis daun yang digunakan dalam penelitian ini adalah Pandan Wangi (Pandanus amaryllifolius Roxb), Jarak Pagar (Jatropha curcas Lin.), Dandang Gendis (Clinacanthus nutans Lindau), Lavender (Lavendula afficinalis Chaix), Akar Kuning (Arcangelisiaflava L.), Daruju (Acanthus ilicifolius L.), Pegagan (Centella asiatica, (Linn) Urban.), Andong (Centella asiatica, (Linn) Urban.), Kemangi (Ocimum basilicum), Iler (Coleus scutellarioides, Linn,Benth), Jeruk Nipis (Citrus aurantifolia, Swingle.), Bidani (Quisqualis Indica L.), Gadung Cina (Smilax china), Tabat Barito (Ficus deloidea L.), Nandang gendis kuning, Bunga Telang (Clitoria ternatea L.), Mangkokan (Nothopanax scutellarium Merr.), Som Jawa (Nothopanax scutellarium Merr.), Pungpulutan (Urena lobata L.), Sosor Bebek (Kalanchoe pinnata (Lam.)Pers), Nanas kerang (Rhoeo discolor (L.Her.) Hance), Seligi (Phyllanthus buxifolius Muell), Remak Daging (Excecaria bicolor 5