KLASIFIKASI ONLINE CITRA DAUN BERDASARKAN FITUR BENTUK DAN RUAS DAUN

KLASIFIKASI ONLINE CITRA DAUN BERDASARKAN FITUR BENTUK DAN RUAS DAUN Agus Zanal Arfn 1, Bayu Bagus, Dn Adn Navastara 3 Jurusan Teknk Informatka, Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember Emal : agus.za@ts-sby.edu 1, bayu_tc07@yahoo.com, dn_navastara@f.ts.ac.d 3 Abstrak Sstem temu kembal ctra untuk aplkas pengklasfkasan ctra daun berdasarkan bentuk dan ruas daun sangat dbutuhkan dalam lmu botan. Paper n menjelaskan tentang suatu metode pengenalan jens daun berdasarkan nput berupa sketsa bentuk daun yang dbandngkan terhadap database sketsa daun yang ada. Sstem n dapat dlakukan secara onlne sehngga dapat dakses dmanapun dan kapanpun user berada. Metode pengenalan n melput Mnmum Permeter Polygon untuk ekstraks ftur bentuk pada ctra daun, Venaton Mathng untuk ekstraks ftur ruas daun pada ctra daun. Untuk mendukung knerja dua metode datas, penuls memperkenalkan metode Wndowng matrx untuk mendeteks ujung dan pangkal ruas daun, Thnnng Algorthm menjadkan ruas daun lebh sederhana (lnng one pxel), dan Rotaton Invarant untuk mengubah orentas daun menjad tegak lurus. Setelah melalu uj coba dan analsa, dapat dsmpulkan bahwa hasl pencaran dengan menggunakan metode datas mampu menghaslkan F1 Score atau tngkat akuras 95.83%, Recall sebesar 100%, dan Precson sebesar 9.59%. Kata Kunc: Klasfkas, onlne, system temu kembal, ftur bentuk daun, ftur ruas daun, Mnmum Permeter Polygon, Venaton Matchng, Wndowng Matrx, Thnnng Algorthm, Rotaton Invarant. 1. PENDAHULUAN Pada beberapa sstem temu kembal ctra, sebuah ctra dapat drepresentaskan oleh beberapa ftur sepert warna, tekstur, bentuk dan struktur. Ctra yang mrp dtentukan oleh kedekatan nla ftur yang dpaka. Sementara tu d bdang lmu botan, sangat dbutuhkan teknolog pencaran ctra daun secara otomats dar berbaga koleks ctra daun yang ada. Pada ctra daun yang palng banyak adalah berwarna hjau atau coklat. Maka dar tu, ftur warna tdak dapat dgunakan pada query ctra daun. Tetap, tap daun memlk bentuk dan ruas daun yang berbeda yang dapat dgunakan sebaga ftur untuk dlakukan query. Sstem temu kembal ctra berdasarkan ftur bentuk telah daku sebaga pendekatan yang efsen. Contohnya dapat dtemukan pada sstem pengenalan wajah, sstem pengenalan rs mata dan sstem pengenalan sdk jar. Representas bentuk obyek dapat dklasfkaskan menjad kategor, yatu boundary-based dan regonbased. Dmana boundary-based mendeskrpskan bagan yang menggunakan karakterstk eksternal, dan regonbased merepresentaskan bagan yang menggunakan karakterstk nternal. Pada paper n, karena fokus utama terletak pada karakterstk bentuk sepert tep obyek, orentas gars lurus, penggabungan beberapa ttk, dan sejumlah lekukan pada tep obyek, maka dapat menggunakan representas eksternal. Untuk melakukan representas bentuk obyek pada ctra dapat dgunakan metode Mnmum Permeter Polygon [1]. MPP adalah sebuah metode perkraan polgon atau penelusuran tep dmana yang dukur adalah tep obyek pada ctra. Meskpun demkan, metode n mempunya beberapa kelemahan salah satunya adalah dalam penelusuran ttk. Ftur ruas daun belum sepenuhnya deksplotas sebaga ukuran kemrpan daun. Yang menark adalah beberapa speses tumbuhan mempunya pola kontur yang hampr sama. Contoh, Nuphar Japoncum dan Nuphar Pumlum adalah anggota dar famly Nymphaeaceae. Maka dar tu, ftur ruas daun secara umum dapat dgunakan sebaga ukuran kemrpan daun. Oleh karena tu, penuls membangun sebuah sstem klasfkas ctra daun menggunakan ftur bentuk dan ruas daun yang dapat dlakukan secara onlne. Metode yang dgunakan adalah Mnmum Permeter Polygon [] untuk melakukan ekstraks ftur bentuk daun. Dan metode Venaton Matchng [5] untuk melakukan ekstraks ftur ruas daun. Pada metode tersebut seharusnya dapat dmungknkan mengenal ctra daun dalam poss berbeda orentas. Dalam hal n, dgunakan Rotaton Invarant (tdak membedakan arah) dan metode yang lebh handal dalam menangan ukuran ruas daun yang berbeda. Oleh karena tu, dusulkan sebuah metode pengenalan ctra daun yang mampu menormalsas orentas daun menjad tegak lurus sehngga pengenalan menjad lebh akurat serta mekansme pencaran ujung dan pangkal ruas daun secara cepat dan tepat.. TEORI.1 Leaf Sketch Image Leaf Sketch Image merupakan ctra grayscale yang bers sketsa obyek daun. Leaf Sketch Image 1

terdapat tep daun dan ruas ruas daun. Contoh Leaf Sketch Image terdapat pada Gambar 1. Gambar 1 leaf sketch mage Boundary Leaf merupakan tep obyek daun yang dapat dgunakan sebaga ftur bentuk. Contoh tep obyek daun dapat dlhat pada Gambar. tetangga atau 8 ttk tetangga. Ilustras dar Freeman code terdapat pada Gambar 5. Freeman Code dapat dgunakan pada gars tep obyek yang berlekuk lekuk dan tertutup (membentuk bangun lngkar). Pada dasarnya, ada 3 parameter untuk melakukan metode Freeman code. Parameter tu adalah : ttk htam pertama (Po), tahap (L) pencaran ttk htam tetangga (menggunakan dagram arah), terakhr adalah mendapatkan Jalur (T4) sebaga ftur berupa sederetan angka(arah Jalur bsa searah jarum jam atau sebalknya). Gambar boundary leaf Venaton Leaf merupakan ruas ruas daun yang dapat dgunakan sebaga ftur ruas daun. Contoh ruas ruas daun dapat dlhat pada Gambar 3. Gambar 3 venaton leaf Tpe ruas daun dbag menjad 3 jens yatu tpe Pnnate, Parallel dan Palmate. Tpe Pnnate memlk karakterstk pada tumbuhan dkotl yatu ada pangkal utama dan ruas ruas yang menyampng. Pada tpe Parallel memlk karakterstk pada tumbuhan monokotl yatu hanya ada pangkal utama dan tdak mempunya ruas daun. Sedangkan pada tpe Palmate, pangkal utama berupa ttk yang sebaga pusat ruas ruas daunnya. Tpe ruas daun dapat dlhat pada Gambar 4. Gambar 5 Ilustras Freeman code Dgunakan : {Po,L,T4} dalam menyatakan parameter-parameter dar Freeman codng. Selanjutnya melhat bagamana masng-masng parameter menentukan hasl proses dar penelusuran tep kontur. Memlh ttk htam pertama (Po) dengan cara scannng pksel terhadap warna htam, dharapkan bsa mendapatkan hasl penelusuran tep kontur yang sama. L adalah jarak antara ttk asal dengan ttk tetangga terplh yang membentuk kontur. Dalam percobaan, nla L=1 agar representas bentuk mendapatkan ftur yang akurat. Perbedaan hasl dar penelusuran dagram arah pada sstem adalah jelas, apabla {0,1,,3,4,5,6,7} dbandngkan dengan {4,5,6,7,0,1,,3} bentuk obyek jelas akan berbeda. Penjelasan ada pada Gambar 6. Gambar 6 Perbedaan dalam penelusuran dagram arah Gambar 4 venaton type. Freeman Code Metode sederhana untuk merepresentaskan nla dar sebuah tep kontur adalah Freeman code [8], sebuah metode penelusuran ttk htam terdekat dengan perkraan tep kontur bersambung menjad sederetan angka, masng-masng angka mewakl sebuah arah kontur. Freeman Code basanya dgunakan dalam 4 ttk Nla sederetan angka dalam metode Freeman code adalah mewakl arah jalur. Dmana perbedaan nla dalam Freeman code mencermnkan cr atau keunkan bentuk obyek pada setap ctra. Berkut n adalah mplementas program dar proses Freeman Code : Pencaran Ttk Htam Pertama Pada langkah kal n adalah dlakukan scannng ttk htam pertama sebaga acuan penentuan ttk htam berkutnya.

Penelusuran Ttk Htam Tetangga Setelah dtemukan ttk htam pertama, maka langkah selanjutnya adalah menelusur ttk htam berkutnya sampa sejumlah data arah yang telah dtentukan. Penympanan Data Arah Langkah terakhr dar metode n adalah mendapatkan sekumpulan data arah atau kode ranta..3 Frst Dfferent Code Setelah mendapatkan kode ranta, selanjutnya perlu dlakukan pembobotan nla arah atau dnamakan Frst Dfferent Code [8]. Proses n mengacu pada dagram arah dengan berputar searah jarum jam yang dapat dlhat pada Gambar 7. Gambar 7 Kalkulas Frst Dfferent Code Msalkan dketahu sebuah kode ranta 667761534 maka vektor bobot arahnya adalah 6070140170516. Hasl tersebut dperoleh dar kode 4 berputar ke kode 6 menghaslkan 6 smpangan, kode 6 berputar ke kode 6 menghaslkan 0 smpangan, kode 6 berputar ke kode 7 menghaslkan 7 smpangan, kode 7 berputar ke kode 7 menghaslkan 0 smpangan dan seterusnya sampa kode ranta habs..4 Rotaton Invarant Algortma [1] n dgunakan untuk merotas ctra berdasarkan sudut tertentu yang ddapat dar Crteron dan ttk baru. Hal hal pentng dar proses n adalah sebaga berkut : 1. Mencar Crteron dan Ttk Baru pada obyek.. Msal a, b, c adalah panjang ss segtga. A adalah sudut yang berhadapan dengan ss a. Maka : cos A b c a bc (1) 3. Maka panjang ss a dapat drumuskan : a ( x j x ) ( y j y ) () 4. Dmana (x,y ) dan (x j,y j ) : koordnat sudut B dan C. 5. Smulasnya dapat dlhat pada Gambar 8. Gambar 8 Deskrps Rotaton Adjustment.5 Thnnng Algorthm Thnnng [9] merupakan suatu proses pentng sebelum melakukan proses-proses atau operas-operas pengolahan ctra, sepert dalam proses pengenalan karakter optc, pengenalan sdk jar, pemrosesan teks, dan lan sebaganya. Thnnng mengakbatkan ponts atau lapsan yang dluar dar pola (pattern) dhlangkan sampa berbentuk sngle pxel lebarnya(berbentuk gars). Gars n dnamakan kerangka (skeleton) dar objek. Gars yang dhaslkan tersebut tdak dapat dbuat bentuk matematkanya. Pksel-pksel yang dtep sebaga pembatas sehngga terbentuk pola gars (skeleton). Algortma Thnnng melakukan pengulangan (teraton), dmana pksel-pksel n dseleks dengan krtera-krtera tertentu untuk memutuskan atau membedakan antara pksel yang akan dhlangkan dan yang tdak. Dsn Algortma Thnnng yang dbahas adalah Zhang Suen. Hal hal pentng dar algortma n adalah sebaga berkut : 1. Proses reduks pksel pada ctra bner sehngga lebar obyek menjad 1 pksel.. Angka 1 adalah pksel htam dan 0 adalah puth. 3. N(P1) adalah jumlah tetangga P1 bernla 1. 4. S(P1) adalah jumlah perpndahan nla 0-1; P,P3 P9. 5. P * P3 = 0 dartkan P atau P3 bernla 0 (nol). Untuk penjelasan aturan pada algortma n dapat dlhat pada Gambar 9. Gambar 9 Penjelasan aturan Thnnng.6 Normalsas dan Perhtungan Jarak Nla normalsas [8] dgunakan untuk menyederhanakan data, dmana data nla pksel dar sebuah ctra tersebut cenderung besar, dengan demkan butuh adanya normalsas. Dengan normalsas n maka data tersebut hanya memlk range antara nol sampa satu. X= { 0, 1,,... n } Maka X =... 0 1 (3) X =( 0 / X, 1 / X,..., n / X ), dmana : X = nla vektor. X = nla pembag. X = nla vektor hasl. Eucldean Dstance dapat danggap sebaga jarak yang palng pendek antar dua ttk, fungs jarak Eucldean [8] pada dasarnya sama halnya dengan persamaan Pythagoras ketka dgunakan d dalam dua dmens. Secara matemats dapat dtuls d dalam persamaan berkut : n 3

d(,j)= x 1 x j1 x x j... xp x jp,(4) dmana : d(,j) = nla jarak. x = nla nla pada ftur 1. x j = nla nla pada ftur. pendeteksan ttk ttk ujung dan pangkal ruas daun untuk menentukan tpe ruas daun. 3. METODE Metode yang dgunakan dalam membangun sstem temu kembal ctra daun n adalah sebaga berkut : 3.1 Mnmum Permeter Polygon Mnmum Permeter Polygon [7] dgunakan untuk ekstraks ftur bentuk dar obyek. Intnya adalah penyederhanaan bentuk obyek dengan cara reduks kode ranta dengan hasl berupa polgon sebaga bentuk obyek yang lebh sederhana. Langkah pertama algortma adalah memlh data masukan berupa Leaf Sketch Image. Kemudan langkah kedua adalah menentukan nla komplekstas cell dan menanda area obyek berdasarkan cell. Dalam menentukan nla cell, telah dlakukan ujcoba pada nla, 3, dan 5. Pengujan nla cell n dapat dlhat pada bab lampran. Nla yang terbak adalah 3 karena membutuhkan waktu yang efsen dan ftur hasl juga memenuh syarat untuk dambl tep obyeknya. Dlanjutkan dengan merotas obyek dengan algortma Rotatonal Adjustment. Dlakukan penelusuran kode ranta tep obyek menggunakan Freeman Code dahulu sebelum melakukan reduks kode ranta dengan tujuan menyederhanakan bentuk obyek. Proses reduks kode ranta dlakukan dengan pengamblan sejumlah ttk. Jumlah ttk yang dambl untuk mereduks kode ranta adalah 14 buah, yang dperoleh dar ujcoba dengan nla 7, 14, dan 1 dengan alasan nla 14 ttk menghaslkan polgon yang lebh sederhana dan dapat mewakl ftur bentuk obyek. Langkah berkutnya adalah membentuk polgon dar ttk ttk poss kode ranta yang sudah dreduks dan menelusur kode ranta dar tep polygon menggunakan Freeman Code sekalan dcar vektor bobot arah menggunakan Frst Dfferent Code. Akhrnya menghaslkan vektor bobot arah yang akan dgunakan sebaga ftur bentuk dan dmasukkan ke dalam database. Gambar 10 Deskrps tpe-tpe ruas daun 3. Venaton Matchng Venaton Matchng dgunakan untuk melakukan ekstraks ftur ruas daun dar obyek. Intnya adalah Gambar 11 Deskrps ruas daun Gambar 1 Deskrps tpe tpe ruas daun Langkah dar algortma n adalah melakukan ekstraks ruas daun dengan menghapus tep obyek memaka brushng pxel. Kemudan melakukan rotas obyek ruas daun dengan Rotatonal Adjustment dengan cara mencar Crteron atas dan bawah yang dgunakan poss x dan y untuk menanda ttk baru sehngga dar tga ttk tersebut apabla dhubungkan akan membentuk segtga. Segtga yang ada kemudan dcar sudut sudutnya, dmana salah satu sudutnya akan dproses untuk merotas obyek. Dan dlanjutkan dengan menentukan nla komplekstas cell, lalu menanda area obyek ruas daun berdasarkan cell. Dalam menentukan nla cell, telah dlakukan ujcoba pada nla, 3, dan 5. Pengujan nla cell n dapat dlhat pada bab lampran. Nla yang terbak adalah 3 karena membutuhkan waktu yang efsen dan ftur hasl juga memenuh syarat untuk dambl ruas daunnya. Dar hasl ftur selanjutnya adalah melakukan proses Thnnng untuk menyempurnakan ftur ruas daun. Algortma Thnnng Zhang suen dsn adalah bertujuan untuk menyederhanakan ruas daun sehngga terbentuk obyek dengan lnng 1 pksel atau lebh tps dar sebelumnya. Pendeteksan ttk-ttk ujung dan pangkal ruas daun dengan cara Wndowng Matrx (3x3) dengan beberapa matrks yang dapat dlhat pada Gambar 3-4. Pada Gambar 3-4 terdapat tga buah matrks yang berfungs untuk mendeteks ujung ujung ruas daun, 3 buah matrks untuk pangkal ruas daun dan 4 buah matrks untuk deteks konds tpe Palmate. Lalu dar data ttk ttk ujung dan pangkal ruas daun sepert pada Gambar 3-3 dapat dtentukan tpe ruas daunnya dmana bagan berwarna hjau merupakan 4

ujung ujung dar ruas daun, bagan berwarna bru adalah pangkal ruas daun, dan bagan berwarna merah tua adalah hasl deteks pangkal yang mengumpul sebaga konds tpe Palmate. Akhrnya ddapatkan nla flag untuk tpe tpe ruas daun sebaga data yang dsmpan dalam database. daun termasuk pnnate, palmate atau parallel. Aplkas juga menyedakan smulas proses metode MPP dapat dlhat pada Gambar 17 dan smulas proses metode VM dapat dlhat pada Gambar 18. Gambar 16 Tamplan aplkas Gambar 13 Deskrps Wndowng Matrx 4. UJI COBA Uj coba dlakukan untuk mengetahu apakah semua fungs pada aplkas berjalan sesua dengan yang dngnkan. 4.1 Uj Coba Sstem Pada subbab n akan dlakukan uj coba sstem klasfkas ctra daun berdasarkan ftur bentuk dan ruas daun menggunakan metode Mnmum Permeter Polygon dan Venaton Matchng. Ctra yang dgunakan berupa Leaf Sketch Image yang terdr dar boundary dan venaton sepert dtunjukkan pada Gambar 14. Data uj coba dapat dlhat pada Gambar 15. Gambar 17 Tamplan smulas metode MPP Gambar 14 Leaf Sketch Image Gambar 18 Tamplan smulas metode VM A B C D E F Gambar 15 Data Uj coba Tamplan aplkas system dapat dlhat pada Gambar 16 dmana ketka ctra daun dmasukkan sebaga uj coba maka akan dhaslkan klasfkas jens Nla threshold yang dplh dalam menamplkan hasl pencaran adalah 35%, 55%, 75% dan 95% dengan tujuan untuk mengetahu kecenderungan nak dan turunnya nla Recall dan Precson dar ujcoba. Selanjutnya nla Recall dan Precson n dgunakan sebaga parameter pengukuran F1 Score dar sstem. F1 Score n dsebut sebaga nla akuras dar percobaan. Dalam pemlhan Threshold dsn nla 35% dapat dartkan bahwa nla jarak yang dtamplkan sebaga hasl adalah antara 0 sampa 0.35, nla 55% adalah antara 0 sampa 0.55, nla 75% adalah antara 0 sampa 0.75, dan pada nla 95% yang dtamplkan adalah jarak antara 0 sampa 0.95. Jka semakn besar nla threshold, maka akan menghaslkan jumlah ctra semakn banyak 5

dan jka semakn kecl nla threshold, maka akan menghaslkan jumlah ctra semakn sedkt. 4. Uj Coba Performa System Pengujan dlakukan pada 1 ctra query sebaga Data Testng terhadap Data Tranng, dmana masngmasng Data Testng akan duj pada beberapa threshold yatu threshold 35%, 55%, 75%, 95%. Tabel 1 Data Tranng dalam Database No Tpe Ruas Daun Jumlah Ctra 1 Pnnate 64 Parallel 18 3 Palmate 18 Total Jumlah Ctra 100 Tabel Rata-rata prosentase Recall, Precson dan F1 Score No Threshold Recall Precson F1 Score 1 35% 61.3% 9.76% 69.89% 55% 9.40% 9.59% 91.67% 3 75% 99.53% 9.59% 95.59% 4 95% 100% 9.59% 95.83% Data Tranng adalah berupa seratus ctra sketsa daun yang telah dketahu terdr dar ctra bertpe Pnnate, Parallel, dan Palmate dengan perbandngan jumlah berdasarkan tpe ruas daun sepert pada Tabel 1. Dar hasl pengujan pada masng-masng threshold, dhtung prosentase akurasnya dengan cara menghtung nla Recall dan Precson dahulu. Kemudan dar nla tersebut dcar bobot rata-ratanya yang dhtung dengan F1 Score. Nla F1 Score yang dhaslkan dapat dsebut dengan nla akuras. Gambar 19 Grafk rata-rata prosentase akuras ctra Dar beberapa pengujan sepert pada Tabel, dapat dketahu bahwa semakn besar tngkat threshold maka semakn banyak ctra yang dhaslkan, sehngga menyebabkan nla Recall semakn besar dkarenakan ctra yang cocok dengan ctra query semakn banyak pula. Dan nla Precson cenderung semakn kecl dkarenakan ctra yang tdak cocok dengan ctra query juga sedkt bertambah. Hal hal datas mengakbatkan prosentase akuras yang dhaslkan semakn besar. Begtu juga sebalknya. Pada Gambar 19 dapat dlhat bahwa nla recall dan precson pada masng masng threshold cenderung berlawanan alas berbandng-terbalk. Jka recall cenderung mengalam kenakan, maka kemungknannya precson akan mengalam sedkt penurunan. 5. KESIMPULAN Kesmpulan yang dperoleh berdasarkan uj coba dan analsa hasl yang telah dlakukan adalah sebaga berkut : 1. Metode Mnmum Permeter Polygon cukup efektf untuk penyederhanaan bentuk daun, sehngga ftur bentuk lebh optmal.. Metode Venaton Matchng mampu mendeteks tpe ruas daun pada ctra daun. 3. Kesalahan deteks ruas daun Pnnate dapat terjad karena ruas ruas daun yang terlalu berhmptan, sehngga terdeteks sebaga ruas daun Palmate. 4. Knerja sstem temu kembal ctra daun n mampu mencapa nla Recall 100%, Precson 9.59%, dan F1 Score 95.83% pada Threshold 95%. DAFTAR PUSTAKA [1]. Yunyoung Nam, Eenjun Hwang, Dongyoon Km, A smlarty-based leaf mage retreval scheme: Jonng shape and venaton features,computer Vson and Image Understandng 110 (008) 45 59. []. J. Sklansky, R.L. Chazn, and B.J. Hansen,Mnmum Permeter Polygons of Dgtzed Slhouettes, TC(1), No. 3, March 197, pp. 60-68. [3]. M. Han, D. Jang, The use of maxmum curvature ponts for the recognton of partally occluded objects, Pattern Recognton 3 (1- ) (1990) 1 33. [4]. Z. Wang, Z. Ch, D. Feng, Q. Wang, Leaf Image Retreval wth Shape Features, Lecture Notes n Computer Scence 199 (000) 477 487. [5]. Y. L, and Z. Ch, and D. Feng, Leaf ven extracton usng ndependent component analyss, IEEE Internatonal Conference on Systems, Man and Cybernetcs, 006, pp. 3890 3894. [6]. Adam Runons, Martn Fuhrer, Brendan Lane, Pavol Federl, Anne-Gaëlle Rolland-Lagan, and Przemyslaw Prusnkewcz. Modelng and vsualzaton of leaf venaton patterns. ACM Transactons on Graphcs 4(3), pp. 70-711. [7]. Magnusson Mara, Dgtal Image Processng Lecture 1 Varous Topcs, CVL Insttutonen for system teknk Teknska Hogskolan Lnkopngs Unverstet. [8]. Bagus Bayu, 007 : Image Database menggunakan Content Based Image Retreval dengan Ekstraks Ftur Terstruktur, PENS-ITS. [9]. Putro Andhka, 008 : Algortma Thnnng dan Penjelasannya, http://deckasouza.blogspot.com 6