Professional Documents
Culture Documents
Not My File
Not My File
Not My File
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/308209141
CITATIONS READS
0 423
2 authors, including:
Mutmainnah Muchtar
Institut Teknologi Sepuluh Nopember
3 PUBLICATIONS 0 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Mutmainnah Muchtar on 18 September 2016.
Abstract – Plant takes a crucial part in mankind yaitu pengamatan pada bagian bunga, daun,
existences. The development of digital image buah, akar atau batang [1]. Daun merupakan
processing technique made the plant classification bagian tanaman yang sering digunakan dalam
task become a lot of easier. Leaf is a part of plant proses klasifikasi tanaman, baik manual maupun
that can be used for plant classification where
otomatis. Meskipun demikian, ciri fisik berupa
texture of the leaf is a common feature that been
used for classification process. Texture offers
warna dianggap tidak begitu signifikan dalam
a unique feature and able to work even when menentukan jenis daun. Hal ini disebabkan
the leaf is damaged or overly big in size which karena hampir seluruh jenis daun memiliki warna
sometimes made the acquisition process become dominan hijau. Sedangkan untuk memperoleh
more difficult. This study offers a combination of fitur bentuk, terkadang ditemukan kesulitan
Gabor filter methods and co-occurrence matrices dalam pengambilan data daun secara utuh,
to produce the most representative features for leaf terutama untuk daun yang memiliki skala besar.
classification. Classification using SVM with 5-fold Sehingga tekstur daun merupakan fitur yang
cross validation system shows that the proposed paling tepat digunakan dalam klasifikasi daun.
Gabor Co-Occurence methods was able to reach
Meskipun belum ada definisi yang pasti
average accuracy up to 89.83%.
mengenai tekstur pada citra digital [2], tekstur
Terms: Leaf, Gabor Co-occurence, Support Vector berkaitan dengan pengukuran sifat-sifat seperti
Machine, Texture kehalusan (smoothness), kekasaran (coarseness),
dan keteraturan (regularity) pada citra. Oleh
I. PENDAHULUAN karena itu, tekstur dari citra digital daun dapat
Ilmu sains yang berkaitan dengan pengenalan diidentikkan dengan area pada permukaan daun
atau klasifikasi tanaman memegang peranan yang menunjukkan keteraturan pola-pola tertentu
penting dalam kehidupan manusia, termasuk [1]. Pada penelitian ini, tekstur daun yang akan
dalam bidang makanan, pengobatan, industri, dianalisis adalah area pada permukaan daun yang
pertanian, dan lingkungan. Dengan semakin bukan merupakan urat daun utama.
banyaknya spesies tanaman di dunia, penting untuk Penelitian dalam bidang klasifikasi tanaman
melindungi tanaman atau mengumpulkannya telah banyak dilakukan dengan menggunakan
dalam bentuk informasi yang menawarkan daun sebagai dasar untuk membedakan jenis
keanekaragaman tanaman. Klasifikasi berbasis tanaman. Penelitian oleh S.Liao dan A.C.S.
komputer yang mampu mengenali tanaman Chung [3] berfokus pada penerapan metode
tentu sangat membantu para peneliti di bidang ALBP (Advanced Local Binary Pattern) untuk
pertanian dan perkebunan, botanist, ahli tanaman mendapatkan karakter struktur lokal pada
herbal, dokter, bahkan dapat juga digunakan gambar tekstur. Selanjutnya dilakukan ekstraksi
sebagai media pembelajaran di sekolah. fitur informasi global dengan menggunakan Aura
Klasifikasi tanaman baik secara manual Matrix measure berdasarkan informasi distribusi
maupun otomatis dapat dilakukan melalui spasial dari pola yang dominan. A. Kadir dkk [4]
pengamatan pada ciri-ciri fisik pada tanaman, melakukan klasifikasi berdasarkan fitur bentuk,
warna dan tekstur daun menggunakan PNN
(Probability Neural Network). S. Agustin dan E. b. Tekstur membentuk distribusi spasial dari
Prasetyo [5] melakukan klasifikasi berdasarkan tingkat keabuan.
tekstur daun setelah proses segmentasi dengan c. Tekstur dapat dinyatakan pada skala dan
K-means clustering, mengekstrak fitur, serta tingkat resolusi yang berbeda.
training dengan menggunakan K-Nearest
Neighbor dan Backpropagation. Tekstur yang
dihasilkan dari penelitian tersebut adalah rata-
rata intensitas, smoothness, dan entropy dari
pendekatan statistik, 5 dari 7 moment invariants,
energi, serta kontras dari pendekatan matrik co-
(a) (b) (c) (d)
occurrence. Gambar 1. Jenis-jenis tekstur: (a) Tekstur Halus,
Meskipun demikian, penelitian yang berkaitan (b) Tekstur Kasar, (c) Tekstur Teratur, dan (d)
dengan klasifikasi citra digital daun berbasis Tekstur Tak Teratur
tekstur dan filter Gabor masih jarang ditemukan.
Penelitian ini bertujuan untuk melakukan
klasifikasi daun pada domain tesktur dengan
Oleh karena tekstur merupakan suatu
menggunakan metode filter Gabor dan metode
pengukuran kuantitatif dari susunan intensitas
matriks co-occurence. Awalnya, citra tekstur area, maka metode-metode untuk ekstraksi fitur
dikonversi ke dalam domain frekuensi dengan tekstur dapat dibedakan menjadi 3 kategori :
menerapkan filter Gabor, selanjutnya dipilih statistika, struktural, dan fraktal. Metode-metode
beberapa citra hasil konvolusi yang memiliki yang termasuk dalam kategori pendekatan secara
jumlah nilai response tertinggi pada tiap skala. statistika diantaranya grey-level histogram,
Nilai fitur dari tiap citra hasil konvolusi tersebut grey-level co-occurrence matrix, fitur auto-
kemudian dihitung dengan menggunakan metode correlation, dan matriks run length. Sedangkan
matriks co-occurrence. Terakhir, fitur Gabor co- metode-metode yang termasuk dalam kategori
occurence yang merepresentasikan keunikan tiap pendekatan secara struktural diantaranya :
daun kemudian digunakan sebagai masukan pada transformasi wavelet dan transformasi gabor.
proses klasifikasi dengan menggunakan metode
SVM (Support Vector Machine).
B. Filter Gabor
II. TINJAUAN PUSTAKA Fungsi Gabor 2D merupakan sebuah
local bandpass filter yang mencapai optimal
A. Fitur Tekstur localization pada domain spasial dan frekuensi.
Tekstur merupakan fitur yang dapat Fungsi Gabor 2D juga memberikan analisis
dipertimbangkan dalam sebuah pemrosesan citra muti-resolusi dengan membangun multi-kernel
dan visi komputer. Tekstur dapat menunjukkan dari sebuah fungsi tunggal.
ciri khusus dari sebuah permukaan dan struktur
pada objek atau region. Pada dasarnya, suatu Gabor wavelet dibentuk dengan melakukan
citra merupakan sebuah kombinasi dari piksel- proses dilasi dan rotasi pada kernel tunggal
piksel dan tekstur yang didefinisikan sebagai dengan sejumlah parameter. Berdasarkan
sekumpulan piksel terkait dalam citra. Kumpulan konsep tersebut, digunakan fungsi filter Gabor
piksel yang terkait ini disebut tekstur primitif atau sebagai kernel untuk membentuk sebuah filter
elemen tekstur (texel). Gambar 1 menunjukkan dictionary. Pada domain spasial, filter Gabor 2D
contoh jenis-jenis tekstur. merupakan sebuah fungsi kernel Gaussian yang
dimodulasikan oleh sebuah gelombang sinusoidal
Tekstur sulit didefinisikan secara tepat. Namun, yang kompleks. Fungsi tersebut didefinisikan
terdapat beberapa sifat yang mengasumsikan oleh persamaan berikut :
sebuah tekstur, yaitu:
C. Matriks Co-occurence
Matriks intensitas co-occurrence adalah
suatu matriks yang menggambarkan frekuensi
munculnya pasangan dua piksel dengan intensitas
tertentu dalam jarak dan arah tertentu dalam citra
[7]. Matriks intensitas co-occurrence p(i1,i2)
didefinisikan dengan dua langkah sederhana D. Support Vector Machine
sebagai berikut: Langkah pertama adalah Menurut Nugroho dkk [9], SVM (Support
menentukan lebih dulu jarak antara dua titik dalam Vector Machine) merupakan metode machine
arah vertikal dan horizontal (vektor d=(dx,dy)), di learning yang bekerja atas prinsip Structural Risk
mana besaran dx dan dy dinyatakan dalam piksel Minimization (SRM) dengan tujuan menemukan
sebagai unit terkecil dalam citra digital. Langkah hyperplane terbaik yang memisahkan dua buah
kedua adalah menghitung pasangan piksel-piksel kelas pada input space. Gambar 3 menunjukkan
yang mempunyai nilai intensitas i1 dan i2 dan beberapa pattern yang merupakan anggota
berjarak di piksel dalam citra. Kemudian hasil dari dua buah kelas : +1 dan –1. Pattern yang
setiap pasangan nilai intensitas diletakkan pada tergabung pada kelas –1 disimbolkan dengan
matriks sesuai dengan koordinat-nya, di mana warna merah (kotak), sedangkan pattern pada
absis untuk nilai intensitas i1 dan ordinat untuk kelas +1, disimbolkan dengan warna kuning
nilai intensitas i2. Gambar 2 merupakan contoh (lingkaran). Proses klasifikasi merupakan usaha
matriks co-occurence dengan nilai intensitas untuk menemukan garis (hyperplane) yang
keabuan 1 sampai dengan 8. memisahkan antara kedua kelompok tersebut.
Berbagai alternatif garis pemisah (discrimination
boundaries) ditunjukkan pada Gambar 3 (a).
Hyperplane pemisah terbaik antara kedua Selanjutnya, dilakukan ekstraksi fitur pada
kelas dapat ditemukan dengan mengukur citra dengan nilai respon maksimum sehingga
margin hyperplane tersebut dan mencari titik menghasilkan 20 fitur, yaitu Entropi, Energi,
maksimalnya. Margin adalah jarak antara Kontras, dan Homogenitas dari kombinasi
hyperplane tersebut dengan pattern terdekat dari Gabor Co-occurence. Fitur-fitur tersebut yang
masing-masing kelas. Pattern yang paling dekat dijadikan ukuran pada tahap klasifikasi dengan
ini disebut sebagai support vector. Garis tebal menggunakan metode Support Vector Machine
pada Gambar 3(b) menunjukkan hyperplane sehingga didapatkan kelas untuk tiap daun.
yang terbaik, yaitu yang terletak tepat pada
tengah-tengah kedua kelas, sedangkan titik A. Preprocessing
merah dan kuning yang berada dalam lingkaran
hitam adalah support vector. Pada tahap preprocessing ini, citra diproses
untuk mendapatkan hasil yang lebih baik agar
. mempermudah dalam ekstraksi fitur tekstur.
Langkah pertama yang dilakukan yaitu konversi
nilai RGB citra menjadi nilai grayscale dengan
III. METODE menggunakan persamaan berikut [10] :
Alur proses klasifikasi tanaman berdasarkan
tekstur daun menggunakan fitur Gabor Co-
occurence secara garis besar dapat dilihat pada
Gambar 4.
dimana R, G, B berturut-turut merupakan piksel
warna merah, hijau dan biru pada sebuah citra.
3 80.556 95 81.25
4 - 90 93.75
Kelas 4 Kelas 4
5 - 85 78.57
6 - - 85.71 Akurasi 100% Akurasi 100%
7 - - 81.25
Rata-rata 85.18 89.83 85.97 Perbandingan dengan metode matriks co-
occurence menunjukkan bahwa metode gabungan
Percobaan II bertujuan untuk membandingkan gabor co-occurence yang diajukan mampu
metode ekstraksi fitur gabor co-occurrence yang menghasilkan akurasi klasifikasi yang lebih baik,
diajukan dengan metode matriks co-occurrence yaitu 94,44 %. Selain itu, perbandingan metode
yang telah ada sebelumnya. Selain itu, pada yang juga diuji dengan metode klasifikasi berbeda
percobaan ini dilakukan pula perbandingan yaitu SVM dan FKNN menunjukkan bahwa hasil
antara dua metode klasifikasi, yaitu SVM dan klasifikasi menggunakan metode SVM lebih
FKNN (Fuzzy K-Nearest Neighbor). Tabel 2 unggul daripada FKNN.
menunjukkan perbandingan metode gabor
co-occurence terhadap metode matriks co- Untuk menguji keandalan metode klasifikasi
occurrence. daun berdasarkan tekstur ini, maka dilakukan
pula Percobaan III, dengan menggunakan citra
daun yang sudah tidak utuh. Awalnya, 8 citra
uji diklasifikasi dengan menggunakan 84 citra
lainnya sebagai data latih. Selanjutnya, citra daun
yang sama dipotong sedemikian rupa hingga Tulang daun pada klasifikasi daun berbasis
tidak menyerupai bentuk aslinya, untuk kemudian tekstur dianggap sebagai noise dan seringkali
diberikan perlakuan yang sama dalam proses mempengaruhi akurasi klasifikasi. Oleh karena
klasifikasi. Tabel 3 menunjukkan perbandingan itu, ke depannya perlu untuk dikembangkan
hasil akurasi klasifikasi antara 8 citra daun yang metode cropping otomatis yang mampu
utuh dan yang sudah tidak utuh lagi. mendapatkan area daun yang tidak bercampur
dengan tulang daun.
Berdasarkan Tabel 3, hasil klasifikasi dengan
menggunakan 8 citra daun dalam kondisi utuh,
menunjukkan akurasi sebesar 100%. Ketika DAFTAR PUSTAKA
daun yang sama dipotong atau kehilangan [1]. A.R. Backes, D. Casanova, dan O. Bruno, “Plant
bagiannya antara 1/6 hingga 1/2 bagian, akurasi leaf identification based on volumetric fractal
yang diperoleh masih sama, yaitu 100%. Hal ini dimension”, International Journal of Pattern
menunjukkan bahwa dengan menggunakan fitur Recognition and Artificial Intelligence, 23(06),
hal. 1145-1160, 2009.
tekstur daun, metode gabor co-occurrence yang
diajukan memiliki keunggulan bahkan ketika [2]. R.C. Gonzalez dan R.E. Woods. “Digital Image
citra daun sudah tidak utuh lagi. Processing”. Upper Saddle River, New Jersey:
Prentice Hall. 2002.
[10]. S.G. Wu, F.S. Bao, E.Y. Xu, Y.X. Wang, Y.F.
Chang, dan Q.L. Xiang, “A leaf recognition
algorithm for plant classification using
probabilistic neural network”, di dalam Signal
Processing and Information Technology, 2007
IEEE International Symposium on, hal. 11-16.
IEEE, 2007.