Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring dengan meningkatnya pendapatan, kesejahteraan, serta daya beli masyarakat, penikmat tanaman hias kini tidak hanya para kolektor tanaman hias. Masyarakat pada umumnya kini mempunyai kegemaran baru yaitu memelihara tanaman hias. Jumlah permintaan pasar yang tinggi, membuat produksi tanaman hias meningkat dari tahun 1997 hingga 2011 ([BPS] 2011). Di samping jumlahnya yang terus meningkat, produksi tanaman hias juga akan menghasilkan spesies baru akibat persilangan. Hasil persilangan ini dapat menyulitkan proses identifikasi. Dibutuhkan botanis atau ahli tanaman hias untuk melakukan identifikasi. Namun, proses identifikasi secara manual memiliki beberapa kekurangan, seperti dibutuhkan waktu yang cukup lama. Hal ini menyebabkan kebutuhan identifikasi tanaman hias secara otomatis menjadi sangat penting. Identifikasi tanaman hias secara otomatis ditentukan berdasarkan penciri citra. Penciri citra yang biasanya dipakai dalam temu kembali citra adalah warna, bentuk, dan tekstur (Rodrigues dan Araujo 2004). Ekstraksi ciri tekstur pada citra tumbuhan hias menggunakan metode Local Binary Pattern (LBP) telah dilakukan oleh Kulsum (2010). LBP yang digunakan adalah Rotation Invariant Uniform Patterns ), Rotation Invariant Variance Measure ) dan LBP Variance ). Ukuran sampling point yang dapat menghasilkan akurasi terbaik pada penelitian tersebut adalah delapan buah, sedangkan ukuran radiusnya adalah dua piksel. Klasifikasi merupakan proses untuk menentukan kelas hasil identifikasi citra. Teknik klasifikasi sangat berpengaruh terhadap hasil identifikasi. Citra hasil ekstraksi akan dikelompokkan sesuai kemiripan atau jaraknya dengan menggunakan teknik klasifikasi tertentu. Nurafifah (2010) telah menggunakan teknik klasifikasi Probabilistic Neural Network (PNN) untuk identifikasi daun dengan penggabungan morfologi, tekstur, dan bentuk. Teknik PNN dengan penggabungan fitur ini menghasilkan akurasi sebesar 83.3%. Penelitian tentang klasifikasi citra tanaman hias menggunakan PNN telah dilakukan oleh Kulsum (2010). Telah ditunjukkan pada sejumlah penelitian sebelumnya bahwa mengombinasikan classifier yang berbeda pada dokumen dapat meningkatkan akurasi klasifikasi (Larkey 1996 dan Giacinto 1997). Teknik klasifikasi menggunakan penggabungan K- Nearest Neighbour (KNN) dan Naïve Bayes (NB) telah dikembangkan untuk mengklasifikasikan dokumen berbahasa Inggris dan menghasilkan tingkat keakuratan 70% (Li dan Jain 1998). Pada penelitian ini dilakukan perbandingan teknik klasifikasi PNN, KNN, NB, serta penggabungan teknik klasifikasi KNN+NB. Tujuan Penelitian Tujuan penelitian ini adalah membandingkan teknik klasifikasi KNN, NB, KNN+NB, dan PNN untuk identifikasi citra tanaman hias. Ruang Lingkup Penelitian Data citra yang digunakan pada penelitian ini adalah citra tanaman hias yang berada di Kebun Raya Bogor. Citra terdiri atas 30 jenis tanaman hias. Tahap segmentasi tidak dilakukan pada penelitian ini. Ekstraksi ciri TINJAUAN PUSTAKA Ekstraksi ciri merupakan tahap mengubah masukan ke dalam suatu bentuk baru sehingga pengenalan pola akan lebih mudah dilakukan (Bishop, 2006). Ciri merupakan pendeksripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Ciri tekstur merupakan pengulangan pola yang ada pada suatu bagian citra (Acharya dan Ray 2005). Local Binary Pattern Local Binary Pattern (LBP) telah berhasil dikembangkan oleh Kulsum (2010) untuk mendeskripsikan tekstur tumbuhan hias dalam mode grayscale. LBP digunakan untuk mencari pola-pola tekstur lokal pada citra. LBP pertama kali bekerja dengan delapan ketetanggaan yang tersebar secara melingkar 1
dengan pusat piksel berada di tengah. Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan berada. Kode-kode LBP selanjutnya direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Rotation Invariant Uniform Patterns ) 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 digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. Gambar 1 memperlihatkan contoh circular neighborhood dengan operator (8,2). Gambar 1 Circular neighborhood (8,2). Operator (8,2) memiliki kuantisasi sudut 45 derajat (jarak antar sampling points 45 derajat). Kuantisasi sudut 45 derajat merupakan kuantisasi sudut secara kasar (crude quantization) bila dibandingkan dengan sampling points 16 dan 24 yang masing-masing mempunyai kuantisasi sudut 22.5 dan 15 derajat. Kuantisasi sudut 45 derajat mampu mengambil nilai piksel-piksel ketetanggaan melingkar yang berbeda-beda (discriminant) sehingga diperoleh pola-pola LBP yang juga berbeda-beda. Bervariasinya pola-pola LBP menjadi penciri yang baik dalam ekstraksi tekstur (Kulsum, 2010). Kemudian dibuat suatu cara agar pola LBP tidak sensitif terhadap perubahan rotasi (rotation invariant). Contoh: LBP = 00001111 = 15 dapat direpresentasikan dengan circular neighborhood pada Gambar 2. Gambar 2 Rotation Invariant LBP. Nilai dan pola-pola LBP pada Gambar 3 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan mempunyai pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikainen et al. 2006). Pola-pola LBP tertentu memiliki karakteristik utama dari suatu tekstur. Polapola yang memiliki informasi penting ini dinamakan uniform patterns. LBP dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area atau dark spot, sudut, dan tepi. Hampir 90 persen dari tekstur merupakan uniform patterns (Mäenpää et al. 2002). Spot Spot/flat Line end Edge Corner Gambar 3 Tekstur uniform patterns. Penggabungan antara uniform patterns dengan rotation invariant dilambangkan. Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling points P dan radius R. merupakan ukuran ketidaksensitifan (invariant) terhadap perubahan grayscale dan merupakan ukuran yang digunakan untuk pola spasial. 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 adalah nol sampai dengan sembilan. Jika bukan uniform patterns akan masuk ke dalam bin terakhir, yaitu bin kesepuluah yang merupakan single bin non uniform patterns (Mäenpää 2003). Rotation Invariant Variance Measure (VAR) VAR merupakan descriptor untuk mengukur lokal kontras tekstur pada suatu citra. tidak mendefinisikan lokal kontras tekstur dalam perhitungannya. VAR tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra. LBP Variance (LBPV) LBPV descriptor secara sederhana menggabungkan distribusi informasi local spatial pattern dan local contrast. Variance berhubungan dengan fitur tekstur. Biasanya, 2
frekuensi tekstur region yang tinggi akan mempunyai variance yang lebih tinggi dan variance-variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Zhang et al. 2009). Oleh karena itu, variance dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Klasifikasi Klasifikasi yaitu proses untuk menemukan sekumpulan model atau fungsi yang mendeskripsikan dan membedakan kelas-kelas data dengan tujuan untuk memprediksikan kelas dari objek yang belum diketahui kelasnya (supervised learning) dengan karakteristik tipe data yang bersifat kategorik (Han dan Kamber 2001). Proses klasifikasi dibagi menjadi dua fase, yaitu pelatihan dan pengujian. Pada fase pelatihan, sebagian data yang telah diketahui kelas datanya (data pelatihan) digunakan untuk membentuk model. Selanjutnya pada fase pengujian, model yang sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi model tersebut. Jika akurasinya mencukupi maka model tersebut dapat dipakai untuk memprediksi kelas data yang belum diketahui. Naïve Bayes Naïve Bayes merupakan metode klasifikasi dengan cara menghitung peluang sebuah dokumen d berada di kelas c. Kelas terbaik pada klasifikasi Naïve Bayes adalah kelas yang paling mirip dengan data yang ingin diklasifikasikan atau yang mempunyai nilai posteriori tertinggi atau maximum a posteriori (MAP) (Manning 2008). Peluang Bayes dapat digunakan untuk menghitung peluang bersyarat, yaitu peluang kejadian apabila suatu kejadian diketahui. Metode ini dapat memprediksi kemungkinan anggota suatu kelas berdasarkan sampel yang berasal dari anggota kelas tersebut. Klasifikasi Naïve Bayes termasuk dalam model multinomial yang mengambil jumlah penciri yang muncul pada sebuah citra. Pada model ini sebuah citra terdiri dari atas beberapa kejadian penciri. Berdasarkan asumsi Bayes, kemungkinan setiap penciri dalam setiap citra adalah bebas, tidak terpengaruh dengan konteks penciri dan posisi penciri dalam citra. Berdasarkan teori Bayes, peluang citra untuk masuk ke dalam kelas atau ditujukkan pada persamaan (1) : (1) dengan adalah peluang kemunculan citra di kelas, peluang ini dipengaruhi oleh penciri yang muncul pada citra d, sehingga =, yaitu peluang kemunculan penciri pada citra kelas c, adalah peluang awal suatu citra masuk kelas, dan adalah peluang awal kemunculan citra. Peluang awal kemunculan citra, yaitu sama nilainya untuk seluruh kelas, sehingga dapat diabaikan. Ditunjukkan pada persamaan (2) dan (3): dengan, dan (2) (3) merupakan banyaknya citra dalam kelas, adalah total citra, adalah banyaknya penciri dalam citra latih dari kelas. Kelas yang paling sesuai bagi citra adalah kelas yang memiliki atau nilai posterior yang paling tinggi. K-Nearest Neighbor K-tetangga terdekat atau K-nearest neighbor (KNN) merupakan metode klasifikasi yang memasukkan data ke dalam mayoritas kelas dari k tetangga terdekatnya dengan k adalah sebuah parameter (Manning 2008). Parameter k dalam KNN seringkali dipilih berdasarkan pada pengalaman atau pengetahuan tentang masalah klasifikasi. Metode KNN bekerja dengan berdasarkan pada jarak terdekat antara data d dengan data lainnya untuk menentukan tetangga terdekatnya. Setelah itu diambil mayoritas kelas data yang merupakan tetangga terdekat untuk menentukan kelas data d. Pembobotan juga bisa dilakukan pada KNN dari kesamaan cosine. Skor kelas dihitung pada persamaan (4). (4) dengan adalah sekumpulan dari k tetangga terdekat dari data dan bernilai 1 jika dan hanya jika data d terdapat di kelas c dan 3
bernilai 0 jika sebaliknya. Data akan dimasukkan ke kelas yang mempunyai skor tertinggi. Ilustrasi teknik klasifikasi KNN ditunjukkan pada Gambar 4. dengan persamaan (6). Ilustrasi teknik klasifikasi KNN+NB ditunjukkan pada Gambar 5. (6) Gambar 4 Ilustrasi teknik klasifikasi KNN. Pada Gambar 4, diilustrasikan teknik klasifikasi KNN. Terdapat tiga kelas, yaitu dan, serta yang merupakan vektor yang belum diketahui kelasnya. Kemudian dipilih lima tetangga terdekat (K = 5). Setelah dipilih lima tetangga terdekat, dihitung kelas terbanyak pada tetangga terdekat tersebut. Pada Gambar 4 dapat dilihat terdapat satu tetangga terdekat yang berada pada kelas dan empat lainnya berada pada kelas Berdasarkan jumlah kelas terbanyak pada tetangga terdekat, maka berada pada kelas Adaptive classifier combination Adaptive classifier combination (ACC) adalah metode klasifikasi yang menggabungkan metode naïve bayes dengan KNN. ACC memasukkan data d ke dalam kelas c i, dengan kelas yang akan dimasukkan diidentifikasikan oleh classifier dengan local accuracy tertinggi dari semua kelas yang ada (Li dan Jain 1998). Untuk sebuah data tes d yang akan diklasifikasikan, dicari tetangga dari d, data training menggunakan metode k-nearest neighbor. Kemudian ditunjukkan hasil klasifikasi untuk data d oleh n classifier sebagai { }. Setelah itu, untuk setiap kelas, dihitung: (5) dengan merupakan peluang x i terdapat pada kelas c j dan W i merupakan ukuran kesamaan kosinus antara x i dan d. Kemudian data d dimasukkan ke kelas c k, Gambar 5 Ilustrasi teknik klasifikasi KNN+NB. Gambar 5 merupakan ilustrasi teknik KNN+NB. Hasil K tetangga terdekat pada klasifikasi KNN, selanjutnya dihitung peluang terhadap masing-masing kelas yang terdapat pada K tetangga terdekat. Kelas akhir vektor uji ditentukan oleh hasil peluang vektor uji terhadap setiap kelas yang tertinggi. Probabilistic Neural Network (PNN) PNN dikembangkan oleh Donald Specht pada tahun 1988. PNN merupakan jaringan saraf tiruan yang menggunakan teorema probabilitas klasik seperti pengklasifikasian Bayes dan penduga kepekatan Parzen. Kernel (fungsi pembobot) yang digunakan adalah radial basis function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear (Wu et al. 2007). Salah satu tipe RBF adalah Gaussian. Gaussian merupakan fungsi yang paling umum digunakan, serta komputasinya mudah. Keuntungan utama menggunakan arsitektur PNN adalah training data mudah dan sangat cepat. Struktur jaringan PNN ditunjukkan pada Gambar 6. Struktur PNN ditunjukkan pada Gambar 6 yang terdiri atas empat lapisan yaitu : 1 Lapisan masukan merupakan objek terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas. 2 Lapisan pola (pattern layer), digunakan satu node pola untuk setiap data pelatihan 4
yang digunakan. Setiap node 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. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah (7) 3 Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah (8) dengan k merupakan dimensi vektor ciri, σ merupakan bias dan t merupakan jumlah data latih pada kelas tertentu. 4 Lapisan keluaran (output layer), menghasilkan keputusan input masuk ke dalam suatu kelas. Input akan masuk kelas Y jika nilai p Y (x) paling besar dibandingkan kelas yang lainnya. Gambar 6 Struktur PNN. Confusion matrix Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi, digunakan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Tabel 1 merupakan tabel confussion matrix. Perhitungan akurasi dengan menggunakan tabel confusion matrix adalah: Akurasi = (9) Tabel 1 Confusion matrix True Class Assigned class Class = 1 Class = 0 Class = 1 F11 F10 Class = 0 F01 F00 F11 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 1. F00 merupakan jumlah citra dari kelas 0 yang benar diklasifikasikan sebagai kelas 0. F01 merupakan jumlah citra dari kelas 0 yang salah diklasifikasikan sebagai kelas 1. F10 merupakan jumlah citra dari kelas 1 yang salah diklasifikasikan sebagai kelas 0. METODE PENELITIAN Metode penelitian dapat dilihat pada Gambar 7. Secara garis besar metode penelitian terdiri atas pengumpulan citra tanaman hias, praproses, ekstraksi ciri, pembagian data latih dan data uji, klasifikasi Naïve Bayes, KNN, penggabungan KNN dan Naïve Bayes, PNN, dan terakhir pengujian. Data Penelitian Data penelitian merupakan kumpulan citra tanaman hias yang berada di Kebun Raya Bogor. Citra terdiri dari 30 jenis tanaman hias. Citra ini diambil dengan berbagai macam sudut yang berbeda. Praproses Sebelum masuk ke tahap ekstraksi ciri, dilakukan praproses citra. Tahapan ini dilakukan dengan mengubah mode warna citra dari RGB (Red-Green-Blue) menjadi mode grayscale. Tujuannya adalah mengubah tiga layer matriks warna menjadi satu layer matriks citra derajat keabuan (grayscale). Hal ini diperlukan untuk mengolah citra menggunakan fitur tekstur dengan LBP. 5