Upload
hoangduong
View
215
Download
0
Embed Size (px)
Citation preview
EKSTRAKSI DAUN MENGGUNAKAN DIMENSI FRAKTAL
UNTUK IDENTIFIKASI TUMBUHAN OBAT DI INDONESIA
DIMPY ADIRA RATU
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ABSTRACT
DIMPY ADIRA RATU. Leaf Extraction using Fractal Dimension for Medicinal Plant
Identification in Indonesia. Under the supervision of YENI HERDIYENI.
Identification medicinal plant species automatically still be a problem for recognizing various
kind of medicinal plants in Indonesia. This research proposes a method for identifying a medicinal
plant using Fractal Dimension and Probabilistic Neural Network (PNN). Fractal geometry offers
an approach for the extraction of image which has the advantages in describing natural objects like
leaves of medicinal plants. This is different from Euclidean geometry approaches that have been
used to measure regular and symmetrical objects while the objects around us have an irregular
shape. In this research, fractal dimension measured by Box Counting method. Fractal dimension
has non-integer value that represent the self similarity of fractal. Identification results using
Probabilistic Neural Network produces an accuracy of 67% and the results with showing the three
classes that have the highest probability has the accuracy of 86.19%. Hence, the propose system is
promising for medicinal plants identification in Indonesia.
Keywords:plant extraction, fractal dimension, box counting, probabilistic neural network.
EKSTRAKSI DAUN MENGGUNAKAN DIMENSI FRAKTAL
UNTUK IDENTIFIKASI TUMBUHAN OBAT DI INDONESIA
DIMPY ADIRA RATU
Skripsi
Skripsi sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
Judul Penelitian : Ekstraksi Daun Menggunakan Dimensi Fraktal untuk Identifikasi Tumbuhan
Obat di Indonesia
Nama : Dimpy Adira Ratu
NRP : G64070075
Menyetujui:
Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP 19750923 200012 2 001
Mengetahui:
Ketua Departeman Ilmu Komputer
Dr. Ir. Sri Nurdiati, M.Sc.
NIP 19601126 198601 2 001
Tanggal Lulus:
PRAKATA
Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada Allah SWT
atas limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang
berjudul Ekstraksi Daun Menggunakan Dimensi Fraktal untuk Identifikasi Tumbuhan Obat di
Indonesiadengan lancar dan baik. Penelitian ini dilaksanakan mulai Februari 2011 sampai dengan
Agustus 2011, bertempat di Departemen Ilmu Komputer.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan
arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.
2. Ayah, Ibu, kakak dan adik tercinta, Dimitra Prima Putri dan Dimas Raviandra R. yang tidak
henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis.
3. Bapak Toto Haryanto, S.Kom., M.Si. dan Bapak Mushthofa, S.Kom., M.Sc.selaku dosen
penguji.
4. Windy Widowati, Ella Rizkita, Fanny Risnuraini, Fani Valerina, Kristina Paskianti, Iyos
Kusmana, dan Yoga Herawan serta Mba Vira dan Mba Poetri sebagai rekan satu bimbingan
yang selalu memberikan masukan, saran, dan semangat kepada penulis.
5. Listya Tyagita Maulani, Fandi Rahmawan, Windy Wahyu A. I. atas bantuan dan dukungannya
dalam menyelesaikan tugas akhir ini.
6. Semua rekan-rekan ilkomerz 44 atas segala kebersamaan, bantuan, dan motivasi yang telah
diberikan kepada penulis.
7. Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini baik secara langsung
ataupun tidak.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga
skripsi ini bermanfaat.
Bogor, Agustus 2011
Dimpy Adira Ratu
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 20 April 1989 di Jakarta sebagai anak kedua dari tiga
bersaudara dari pasangan Joko Suryanto dan Poppy Rachman. Pada tahun 2004, penulis
menempuh pendidikan menengah atas di SMA Negeri 14Jakarta dan lulus tahun 2007.
Pada tahun yang sama penulis diterima sebagai mahasiswa Institut Pertanian Bogor (IPB)
melalui jalur USMI. Tahun 2008 penulis masuk Departemen Ilmu Komputer, Fakultas Matematika
dan Ilmu Pengetahuan Alam (FMIPA), IPB. Pada tahun 2010, penulis melaksanakan kegiatan
praktik kerja lapangan di Badan Penerapan dan Penelitian Teknologi selama 35 hari. Selama
mengikuti perkuliahan, penulis pernah menjadi asisten mata kuliah Penerapan Komputer (2009
dan 2010), Sistem Pakar (2011), dan Sistem Informasi (2011).
iv
DAFTAR ISI
Halaman
DAFTAR GAMBAR ........................................................................................................................ v
PENDAHULUAN ............................................................................................................................ 1
Latar Belakang ............................................................................................................................. 1
Tujuan Penelitian ......................................................................................................................... 1
Ruang Lingkup Penelitian ............................................................................................................ 1
TINJAUAN PUSTAKA ................................................................................................................... 1
Daun ............................................................................................................................................. 1
Ekstraksi Fitur .............................................................................................................................. 2
Fraktal .......................................................................................................................................... 2
Dimensi Fraktal ............................................................................................................................ 3
METODE PENELITIAN ................................................................................................................. 4
Data Penelitian ............................................................................................................................. 5
Praproses Data ............................................................................................................................. 5
Ekstraksi Fitur dengan Dimensi Fraktal ....................................................................................... 5
Pembagian Data Latih dan Data Uji ............................................................................................. 6
Klasifikasi dengan Probabilistic Neural Network........................................................................ 6
Evaluasi Hasil Klasifikasi ............................................................................................................ 6
HASIL DAN PEMBAHASAN ........................................................................................................ 6
Hasil Praproses Data .................................................................................................................... 6
Ekstraksi Ciri ............................................................................................................................... 6
a. Dimensi fraktal citra keseluruhan ........................................................................................ 7
b. Dimensi fraktal delapan local region .................................................................................. 7
c. Hasil vektor ciri ................................................................................................................... 8
Identifikasi Citra .......................................................................................................................... 9
KESIMPULAN DAN SARAN ...................................................................................................... 11
Kesimpulan ................................................................................................................................ 11
Saran .......................................................................................................................................... 11
DAFTAR PUSTAKA ..................................................................................................................... 12
LAMPIRAN .................................................................................................................................. 13
v
DAFTAR GAMBAR
Halaman
1 Fraktal, (a) Sierpinski triangle (b) Koch snowflake (c) self similarity .................................... 2
2 Proses pembentukanKoch Snowflakes...................................................................................... 2
3 Pembagian image menggunakan Box Counting dengan nilai r yang berbeda. ......................... 4
4 Plot log-log antara r dan N(r). .................................................................................................. 4
5 Struktur PNN............................................................................................................................ 5
6 Metode penelitian. .................................................................................................................... 5
7 Pembagian citra (a) global (b) delapan local region ................................................................ 5
8 Citra biner dibagi menjadi persegi dengan ukuran yang berbeda-beda .................................... 6
9 Hasil binerisasi local adaptive thresholding pada citra daun (a) Jarak Pagar, (b) Iler,
(c) Mrambos dan (d) Bidani. .................................................................................................... 7
10 Dimensi fraktal global pada daun (a) Jarak Pagar, dan (b) Bidani ........................................... 7
11 Distribusi FD pada local region ............................................................................................... 7
12 Dimensi fraktal pada local region ke-3 citra Jarak Pagar ........................................................ 7
13 Pola vektor dimensi fraktal pada dua kelas yang berbeda, A (Cincau Hitam) dan B (Lilin). .. 8
14 Pola vektor dimensi fraktal pada kelas Iler untuk dua daun yang berbeda.. ............................. 8
15 Grafik akurasi identifikasi setiap kelas citra tumbuhan obat. .................................................. 10
16 Contoh kelas citra yang memiliki akurasi rendah .................................................................... 10
17 Antarmuka sistem, (a) tahap ekstraksi, (b) tahap identifikasi .................................................. 11
DAFTAR LAMPIRAN
Halaman
1 Dua puluh jenis citra tumbuhan obat ........................................................................................ 14
2 Antarmuka sistem identifikasi daun tumbuhan obat menggunakan fraktal .............................. 17
3 Confussion matrix 20 kelas citra tumbuhan obat ..................................................................... 19
1
PENDAHULUAN
Latar Belakang
Indonesia merupakan salah satu negara
penghasil tumbuhan obat yang potensial
dengan keanekaragaman hayati yang
dimilikinya. Sampai tahun 2001 Laboratorium
Konservasi Tumbuhan, Fakultas Kehutanan
IPB telah mencatat tidak kurang dari 2039
spesies tumbuhan obat berasal dari ekosistem
hutan Indonesia (Zuhud 2009). Hanya sekitar
20-22% tumbuhan obat yang baru
dibudidayakan masyarakat, sedangkan sekitar
78% diperoleh melalui pengambilan langsung
(eksplorasi) dari hutan(Masyhud
2010).Banyak khasiat yang bisa didapatkan
dari tumbuhan obat terutama untuk
menyehatkan tubuh dan menyembuhkan
penyakit. Beragamnya jenis tumbuhan obat
dan khasiatnya yang berbeda-beda membuat
identifikasi menjadi sulit. Kemampuan untuk
mengidentifikasi tumbuhan obat dengan tepat
dan mudah menjadi kebutuhan penting bagi
pakar maupun orang-orang yang
berkecimpung dalam dunia tumbuhan obat.
Oleh karena itu, diperlukan sebuah sistem
yang dapat mengidentifikasi tumbuhan obat
secara automatis.
Proses identifikasi bergantung pada hasil
ekstraksi yang baik. Ekstraksi dapat dilakukan
dengan mengambil salah satu bagian dari
tumbuhan, dan bagian yang paling mudah
didapatkan adalah bagian daun. Objek alami
seperti daun memiliki bentuk yang tidak
teratur dan sulit diukur namun hal ini dapat
diatasi dengan menggunakan pendekatan
fraktal. Pendekatan ini berbeda dengan
pendekatan geometri Euclid yang selama ini
digunakan untuk mengukur objek yangteratur
dan simetrispadahal benda-benda disekitar
kita memiliki bentuk yang tidak teratur.
Fraktal memiliki sifat self similarity yaitu
apabila diperbesar akan memiliki bentuk yang
menyerupai bentuk keseluruhan dan hal ini
mendekati sifat objek-objek alam (Mandelbrot
1982). Metode dimensi fraktal menawarkan
pendekatan untuk menggambarkan bentuk
yang alami dan keadaan yang tidak teratur
dengan mengukur kesimetrisan suatu objek.
Backes dan Bruno (2008) menggunakan
dimensi fraktal dengan metode Box Counting
dalam penelitiannya untuk identifikasi citra
tekstur Brodatz, laluhasil identifikasi
dibandingkan dengan metode Fourier
descriptor, Co-occurrence matrix, dan Gabor
Filters. Berdasarkan penelitian tersebut
dimensi fraktal menghasilkan tingkat
keberhasilantertinggi. Kemudian dilanjutkan
oleh Bruno et al. (2008) pada penelitiannya
terhadap identifikasi tumbuhan menggunakan
dimensi fraktal dengan menggabungkan dua
metode yaituBox Counting dan multiscale
Minkowski. Penelitian tersebut menghasilkan
performa klasifikasi yang baik walaupun
hanya menghasilkan satu fitur. Selanjutnya
Backes dan Bruno (2009) kembali melakukan
ekstraksi tekstur dengan Multi-scale Fractal
Dimension untuk identifikasi tumbuhan.
Penelitian ini melakukan ekstraksi ciri
daun tumbuhan obat menggunakan Dimensi
Fraktal dengan teknikBox Counting.
Kemudian identifikasi dilakukan
denganProbabilistic Neural Network
(PNN)sebagai classifier.
Tujuan Penelitian
Tujuan penelitian ini adalah
mengimplementasikan dimensi fraktal untuk
ekstraksi tekstur pada citra dauntumbuhan
obat.
Ruang Lingkup Penelitian
Ruang Lingkup penelitian ini adalah:
1. Data diperoleh dari hasil pengambilan citra
20 jenis tumbuhan obat menggunakan
kamera digital yang berasal dari kebun
Biofarmaka, Cikabayan dan rumah kaca
Pusat Konservasi Ex-situ Tumbuhan Obat
Hutan Tropika Indonesia, Fahutan, IPB.
2. Dalam penelitian ini, citra daun dibatasi
hanya yang memiliki tulang daun yang
jelas.
3. Data yang digunakan merupakan citra daun
tunggal dengan latar belakang putih
berukuran 256 × 256 piksel dan posisi daun
yang sama untuk semua citra.
TINJAUAN PUSTAKA
Daun
Daun merupakan suatu organ tumbuhan
yang umumnya berwarna hijau. Daun
merupakan organ vegetatif yang tidak
bergantung pada musim. Dibandingkan
dengan organ lain seperti bunga dan buah,
daun sangat cocok untuk identifikasi
tumbuhan karena jumlah daun yang sangat
berlimpah dan selalu ada setiap waktu.
Bentuk daun sangat beragam, namun
biasanya berupa helaian, bisa tipis atau tebal.
Ciri-ciri daun antara tumbuhan satu dengan
yang lainnya memiliki perbedaan. Ciri yang
2
dapat diambil diantaranya morfologi, tekstur,
dan bentuk daun. (Nurafifah 2010).
Ekstraksi Fitur
Fitur merupakan karakteristik unik dari
suatu objek (Putra 2010). Ekstraksi fitur
adalah proses mendapatkan penciri atau fitur
dari suatu citra. Secara umum, fitur citra
berupa warna, bentuk, dan tekstur. 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 & Ray
2005).Dalam citra digital, tekstur dicirikan
dengan variasi intensitas atau warna.
Fraktal
Kata fraktal pertama kali dicetuskan oleh
Mandelbrot pada tahun 1975, ketika
makalahnya yang berjudul “ A Theory of
Fractal Set” dipublikasikan. Bahasa Inggris
dari fraktal adalah fractal. Akar kata fraktal
berasal dari kata latin frangere yang berarti
terbelah menjadi bagian-bagian yang tidak
teratur. Fraktal adalah bentuk apa saja yang
jikalau bagian-bagian dari bentuk itu
diperbesar setiap bagiannya akan menyerupai
bagian fraktal keseluruhannya (Mandelbrot
1982).
Gambar 1 Fraktal, (a) Sierpinski triangle (b)
Koch snowflake (c) self similarity
Ada banyak bentuk matematis yang
merupakan fraktal, antara lain Sierpinski
triangle dan Koch snowflakeseperti pada
Gambar 1. Secara umum fraktal tidak teratur
(tidak halus) dan merupakan bentuk yang
tidak linear, jadi bukan termasuk benda yang
terdefinisikan oleh geometri tradisional.
Fraktal memiliki sifat self similarity atau
kesamaan diri pada tingkat perbesaran yang
berbeda. Berdasarkan sifat tersebut fraktal
dianggap mampu menggambarkan objek-
objek di dunia nyata yang mempunyai bentuk
geometri yang rumit.
Geometri Fraktal
Bentuk benda alam atau objek alam tidak
mudah untuk dideskripsikan menggunakan
geometri Euclid (istilah untuk geometri biasa).
Dalam bukunya yang berjudul The Fractal
Geometry of Nature, Mandelbrot (1982)
mengatakan “awan tidak bulat, gunung tidak
berbentuk kerucut, garis pantai tidak
melingkar, dan kulit tidak halus, tidak juga
petir menyambar (berjalan) dengan garis
lurus”.Untuk itu Mandelbrot mengembangkan
sebuah cabang matematika baru yang sesuai
dengan ketidakteraturan dalam dunia nyata
yang disebut geometri fraktal.
Gambar 2 Proses pembentukanKoch
Snowflakes.
Geometri fraktal menawarkan pendekatan
untuk mempelajari objek yang kompleks.
Sebagai contoh adalah sebuah kurva
snowflakes yang ditemukan oleh Helge Von
Koch. Koch memulai dengan sebuah segitiga
sama sisi, setiap sisi dibagi menjadi tiga
bagian yang sama. Bagian tengahnya
dihilangkan dan digantikan dengan sebuah
segitiga sama sisi tanpa alas dengan panjang
sisi 1/3 dari garis yang pertama. Kemudian
pada setiap segmen garis dibangun lagi
segitiga sama sisi dengan panjang sisi 1/3 dari
segmen garis tersebut. Langkah tersebut
(a) (b)
(c)
3
diulang sampai tak hingga (Bruno etal.2008).
Proses ini menunjukkan sifat self similarity
yang dimiliki oleh fraktal seperti pada
Gambar 2.
Dimensi Fraktal
Dimensi benda yang umum dalam
kehidupan sehari-hari merupakandimensi
dalam ruang Euclid, yaitu 0, 1, 2, dan 3. Pada
objek-objek Euclid, nilai bilangan bulat
menggambarkan jumlah dimensi dari ruang
objek, misalnya garis berdimensi 1 karena
memiliki panjang, bidang berdimensi 2 karena
memiliki panjang dan lebar, sedangkan ruang
memiliki dimensi 3 karena memiliki panjang,
lebar, dan kedalaman (Putra 2010).
Sifat self similarity adalah salah satu
konsep penting dalam geometri fraktal.
Sebuah objek berdimensi satu seperti garis
jika dibagi menjadiN bagian yang sama maka
setiap bagian memiliki rasio dari
keseluruhan bagian. Begitu pula dengan objek
dua dimensi seperti bidang yang bisa dibagi
menjadi N bagian yang memiliki rasio .
Kemudian objek tiga dimensi seperti kubus
bisa dibagi menjadi N bagian yang memiliki
rasio . Dapat disimpulkan bahwa
untuk objek dengan dimensi D dapat dibagi
menjadi N bagian yang sama dengan faktor
atau dituliskan seperti persamaan (1).
(1)
Dari persamaan (1) kemudian dihasilkan
rumus untuk menghitung nilai dimensi fraktal
yang dituliskan pada persamaan (2).
(2)
Dimensi fraktal tidak seperti dimensi
Euclid yaitu tidak harus bilangan bulat. Pada
Gambar 2setiap sisi Koch snowflake terbagi
menjadi N=4 segmen yang sama dimana
setiap segmen berukuran dari
keseluruhan, sehingga dimensinya adalah
Nilai dimensi yang berupa
pecahan tersebut berada antara 1 dan 2
menunjukkan seberapa banyak Koch
snowflake mengisi ruang, yaitu lebih banyak
dari garis (D=1) tapi kurang dari bidang
(D=2) (Barnsley 1988).
Local Adaptive Threshold
Thresholdingmerupakan proses yang akan
menghasilkan citra biner. Nilai threshold
adalah suatu nilai yang memisahkan piksel
yang merupakan objek dan piksel yang
merupakan latar belakang citra. Selama ini
teknik thresholding yang konvensional
menggunakan global threshold, sedangkan
pada adaptive thresholding, threshold berubah
secara dinamik pada citra.Hal ini dilakukan
untuk mengatasi kondisi pencahayaan yang
berbeda di setiap bagian citra.
Adaptive thresholding menghitung nilai
threshold untuk setiap piksel pada citra
dengan melihat intensitas pencahayaan lokal.
Asumsi metode ini adalah bahwa
daerah citrayang lebih kecil besar
kemungkinannya memiliki pencahayaan yang
seragam. Jika nilai piksel lebih kecil daripada
threshold maka piksel tersebut diatur menjadi
latar belakang citra, jika sebaliknya maka
piksel tersebut menjadi objek.Salah satu
fungsi yang cepat dan sederhana untuk
menemukan threshold lokal adalah
menghitung rata-rata dari daerah lokal dengan
persamaan (3).
, (3)
dengan W menyatakan blok lokal yang
diproses, Nwmenyatakan banyaknya piksel
pada setiap blok W dan C menyatakan suatu
konstanta yang dapat ditentukan secara bebas.
Bila C = 0, berarti nilai threshold sama
dengan nilai rata-rata setiap piksel pada blok
yang bersangkutan (Putra 2010).
Box Counting
Box Counting merupakan metode yang
umum digunakan untuk menghitung dimensi
fraktal suatu citra. Konsep Box
Countingadalah membagi citra menjadi
persegi-persegi yang lebih kecil dengan
ukuran tertentu seperti pada Gambar 3. Nilai
dimensi fraktal (FD) didapatkan berdasarkan
hubungan antaraukuranpersegir dan jumlah
persegi, N(r), yang melingkupi objek
(persamaan (4)).
FD = . (4)
Dari plot log (r) (sumbu x) dengan log (N)
(sumbuy), dihasilkan kurva dengan
kemiringan α seperti ditunjukkan Gambar 4.
FD =-α (5)
4
Persamaan (5) menunjukkan bahwa
kemiringan kurva merupakan dimensi fraktal
Box Counting dari objek (Backes & Bruno
2008). Nilai α dihitung menggunakan regresi
linear seperti persamaan (6).
(6)
dengan n menyatakan banyaknya data yang
digunakan untuk membentuk garis lurus
(Putra 2010).
Gambar 3Pembagian image menggunakan
Box Counting dengan nilai r yang
berbeda.
Gambar 4 Plot log-log antara r dan N(r).
Probabilistic Neural Network (PNN)
PNN merupakan Artificial Neural Network
(ANN) yang menggunakan teorema
probabilitas klasik (pengklasifikasian Bayes).
PNN diperkenalkan oleh Donald Specht pada
tahun 1990. PNN menggunakan pelatihan
(training) supervised.Training data PNN
mudah dan cepat. Bobot bukan merupakan
hasil training melainkan nilai yang
dimasukkan (tersedia) (Wu et al. 2007, diacu
dalam Kulsum 2010)
Struktur PNN terdiri atas empat lapisan,
yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan, dan lapisan keputusan/keluaran.
Lapisan masukan merupakan objek yang
terdiri atas nilai ciri yang akan 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
antaravektor masukan yang akan
diklasifiksikan dengan vektor bobot ,
yaituZi = - , 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)
2. Lapisan penjumlahan (summation layer)
Menerima masukan dari node lapisan pola
yang terkait dengan kelas yang ada.
Persamaan yang digunakan pada lapisan
ini adalah
(8)
3. Lapisan keluaran (output layer)
Menentukan kelas dari input yang
diberikan. Input x akan masuk ke Y jika
nilai paling besar dibandingkan
dengan kelas lainnya.
Gambar 5 Struktur PNN.
METODE PENELITIAN
Metode penelitian dapat dilihat pada
Gambar 6. Secara garis besar metode
penelitian terdiri atas pengumpulan citra
5
tumbuhan obat, praproses, ekstraksi fitur
menggunakan dimensi fraktal, dan proses
identifikasi.
Gambar6Metode penelitian.
Data Penelitian
Data penelitian merupakan kumpulan citra
daun tumbuhan obat di kebun Biofarmaka IPB
dan di rumah kaca Pusat Konservasi Ex-situ
Tumbuhan Obat Hutan Tropika Indonesia,
Fahutan, IPB. Pemotretan dilakukan
denganmenggunakan lima kamera digital
yang berbeda (DSC-W55, 7210 Supernova,
Canon Digital Axus 95 IS, Samsung
PL100, dan EX-Z35). Total citra daun
tumbuhan obat yang digunakan adalah 600
yang terdiri atas 20 jenis daun (masing-
masing kelas 30 citra).Daun yang digunakan
hanyalah yang memiliki tekstur tulang daun
yang cukup jelas. Citra daun tumbuhan obat
berformat JPG dan berukuran 256 × 256
piksel.Jenis-jenis daun yang digunakan dalam
penelitian ini adalah Jarak Pagar, Dandang
Gendis, Iler, Cincau Hitam, Lilin, Daruju,
Bunga Telang, Pungpulutan, Kumis Kucing,
Sambang Darah, Jambu Biji, Akar Kuning,
Kemangi, Handeleum, Mrambos, Nandang
Gendis Kuning, Tabat Barito, Gadung Cina,
Bidani, dan Pegagan. Bentuk dan keterangan
dari keseluruhan data dapat dilihat pada
Lampiran 1.
Praproses Data
Tahap praproses dilakukan untuk
mempersiapkan citra sebelum masuk ke dalam
tahap ekstraksi. Pertama-tama praproses
dilakukan dengan mengganti latar belakang
citra daun dengan latar belakang
putih.Selanjutnya posisi citra diatur tegak
lurus dengan ujung daun mengarah ke atas.
Kemudian untuk mendapatkan citra yang
lebih baik dilakukan penyesuaian kecerahan,
perenggangan kontras, dan pengaturan level.
Proses ini dilakukan untuk masing-masing
citra sesuai dengan kebutuhan.
Masukkan untuk ekstraksi menggunakan
dimensi fraktal adalah citra biner. Distribusi
pencahayaan yang tidak seragam dalam satu
citra akan menentukan nilai piksel objek yang
terambil pada citra biner. Perbaikan citra
dengan mengatur nilai kecerahan secara
manual tidak cukup untuk menyeragamkan
bagian daun yang lebih cerah atau lebih gelap.
Oleh karena itu, untuk mendapatkan ciri
tekstur tulang daun yang baik digunakan local
adaptive thresholding yaitu pemisahan piksel
yang merupakan objek dengan piksel yang
merupakan latar belakang citra dengan nilai
threshold berbeda-beda pada setiap piksel
bergantung pada citranya. Nilai threshold
dihitung dengan persamaan (3) dengan ukuran
blokW sebesar 5 × 5 piksel dan konstanta C =
0.01.Dalam hal ini yang dianggap sebagai
objek adalah tekstur tulang daun dan tepi daun
yang diberi nilai piksel 1 (putih), selainnya
diberi nilai piksel 0 (hitam).
Ekstraksi Fitur dengan Dimensi Fraktal
Citra biner dari proses sebelumnya
kemudian diolah dengan dimensi fraktal untuk
mendapatkan nilai dimensinya. Penghitungan
dimensi dilakukan pada dua model citra, yaitu
citra keseluruhan (global) seperti pada
Gambar 7(a) dan pada setiap local region
yang terdiri atas 8 bagian yang sama seperti
pada Gambar 7(b). Hal ini dilakukan untuk
menambah fitur pada hasil ekstraksi dan
mengambil karakter dimensi yang berbeda
pada setiap local region.
(b) (a)
Vektor ciri
Citra Kueri
Model Klasifikasi
Citra Tumbuhan
Obat
Praproses data
Ekstraksi dengan
dimensi fraktal
Klasifikasi
dengan PNN
Hasil klasifikasi
Hasil Identifikasi
Citra Ekstraksi ciri
6
Gambar 7 Pembagian citra (a) global (b)
delapan local region
Menurut Backes dan Bruno (2008), Salah
satu metode yang paling dikenal dan banyak
digunakan untuk memperkirakan dimensi
fraktal sebuah objek adalah metode
BoxCounting. Hal ini dikarenakan
karakteristiknyayangmudah dalam
implementasi dan perhitungan yang
sederhana.
Perhitungan dilakukan dengan membagi
gambarmenjadi kotak-kotakpersegi (box)
berukuran r. Nilai r adalah rasio antara ukuran
piksel boxdan ukuran piksel citra terbesar.
Nilai ini akan berubah terus sebesar
1/(2k)dengan k = 1, 2, 3,...dan seterusnya
dengan 2k tidak lebih dari ukuran citra. Bila
citra berukuran 2m x 2
mmaka nilai k akan
berhenti sampai m. Pada penelitian ini citra
yang digunakan berukuran 256 x 256 atau
28x2
8 maka untuk r = 1/(2
1) = 1/2 ukuran
piksel box sebesar setengah dari citra yaitu
128 piksel, untuk r = 1/(22) = 1/4 ukuran
piksel box sebesar seperempat dari citra yaitu
64 piksel, dan seterusnya sampai k = 8.
Kemudian dihitung nilai N(r) yaitu jumlah
box yang melingkupi suatu objek ketika
ukuran box sama dengan r. Semakin kecil
ukuran r akan semakin banyak jumlah
boxN(r). Ilustrasi pembagian box ditunjukkan
pada Gambar 8.
Gambar 8 Citra biner dibagi menjadi persegi
dengan ukuran yang berbeda-beda.
Selanjutnya dibuat garis lurus berdasarkan
nilai-nilai log (r) sebagai sumbu x dan nilai
log (N(r)) sebagai sumbu y, kemudian
dihitung kemiringan α dengan persamaan (5).
Berdasarkan persamaan (4) maka nilai
kemiringan α adalah dimensi fraktal dari citra.
Pembagian Data Latih dan Data Uji
Seluruh data hasil ekstraksi dibagi menjadi
data latih dan data uji. Data latih digunakan
sebagai masukan pelatihan menggunakan
Probabilistic Neural Network (PNN)
sedangkan data uji digunakan untuk menguji
model hasil pelatihan. Proporsi data latih dan
data uji yang digunakan masing-masing
adalah 67% dan 33%.
Klasifikasi dengan Probabilistic Neural
Network
Klasifikasi dilakukan dengan
menggunakanProbabilistic Neural
Network(PNN) yang memiliki empat lapisan
yaitu lapisan masukkan, pola, penjumlahan,
dan keluaran. Vektor ciri hasil ekstraksi data
uji menjadi masukan pada PNN. Lapisan pola
menggunakan nilai bias (σ) tetap yang dicari
secara trial and errorsehingga mendapatkan
akurasi terbaik. Lapisan keluaran memiliki 20
target kelas sesuai dengan jumlah jenis daun.
Evaluasi Hasil Klasifikasi
Pengujian data dilakukuan oleh sistem,
yaitu dengan penilaian tingat keberhasilan
klasifikasi terhadap citra kueri. Evaluasi dari
kinerja model klasifikasi didasarkan pada
banyaknya data uji yang diprediksi secara
benar dan tidak benar oleh model. Hal ini
dapat dihitung menggunakan akurasi yang
didefinisikan pada persamaan (9).
(9)
Perangkat Keras dan perangkat Lunak
Perangkat keras yang digunakan dalam
penelitian ini adalah Processor AMD Turion
X2technology RM-75 2.2 GHz, memori
DDR1 RAM 1.75 GB, dan harddisk 250 GB.
Perangkat lunak yang digunakan adalah
Sistem operasi Windows XP Service Pack 2,
dan MATLAB 7.0.4.
HASIL DAN PEMBAHASAN
Hasil Praproses Data
Pada tahap praproses dilakukan
pembersihan data secara manual sehingga
citra hanya memuat satu daun dangan latar
belakang putih. Selanjutnya dilakukan
perbaikan data. Pengubahan mode citra dari
RGB menjadi biner kemudian dilakukan
menggunakan fungsi local adaptive
thresholding denganthresholdyang berubah
secara dinamik pada citra.Hasil citra biner
menunjukkan tekstur tulang daun yang cukup
jelas dan merata. Gambar 9 menunjukkan
contoh citra hasil praproses data.
Ekstraksi Ciri
7
Dimensi fraktal menunjukkan seberapa
besar objek mengisi ruang bidang citra. Dalam
penelitian ini citra masukan ekstraksi yang
berupa citra biner daun tumbuhan obat
merepresentasikan tekstur tulang daun
sekaligus bentuk daun. Keduanyalah yang
akan menentukan nilai dari dimensi fraktal.
Hasil ekstraksi menunjukkan bahwa dimensi
fraktal untuk citra daun berkisar dari satu
sampai dua sedangkan dimensi fraktal untuk
citra daun setiap local region berkisar dari nol
sampai dua.
(a)
(b)
(c)
(d)
Gambar 9 Hasil binerisasi local adaptive
thresholding pada citra daun (a)
Jarak Pagar, (b) Iler, (c)
Mrambos dan (d) Bidani.
a. Dimensi fraktal citra keseluruhan
Citra keseluruhan (global) daun memiliki
ukuran 256 x 256 piksel dan ukuran box (r)
untuk satu citra mulai dari 1/2, 1/4, 1/8, 1/16,
1/32, 1/64, 1/128, dan 1/256. Selanjutnya
didapatkan delapan titik pada plot dimensi
karena terdapat delapan ukuran box yang
berbeda.Hasil dimensi fraktal merupakan
kemiringan dari plot dimensi dengan kisaran
nilaidari 1.4 sampai 1.75. Contoh grafik plot
log (r) dan log (N(r)) dimensi fraktal pada
global region ditunjukkan Gambar 10.
b. Dimensi fraktal delapan local region
Pembagian citra menjadi delapan local region
bertujuan menambah karakteristik fitur pada
daerah ujung, tengah dan pangkal daun serta
sisi kanan dan kiri daun. Distribusi dimensi
fraktal (FD) pada local region ditunjukkan
pada Gambar 11. Setelah dilakukan
pembagian masing-masing bagiancitra akan
berukuran 128 x 64 piksel, kemudian dihitung
nilai dimensi fraktalnya. Nilai FD masing-
masing local region merepresentasikan setiap
objek pada bagian tersebut. Ukuran box (r)
untuk setiap citra local region dimulai dari
1/2, 1/4, 1/8, 1/16, 1/32, 1/64, dan 1/128
sehingga terdapat tujuh titik dalam plot
dimensi seperti Gambar 12 yang menunjukkan
salah satu local region dari citra.
(a)
(b)
Gambar 10 Dimensi fraktal global pada daun
(a) Jarak Pagar, dan (b) Bidani.
Gambar 11 Distribusi FD pada local region.
Gambar 12 Dimensi fraktal pada local region
ke-3 citra Jarak Pagar.
8
Tabel 1 menunjukkan contoh nilai dimensi
fraktal pada setiap local region. Terlihat
bahwa setiap bagian memiliki dimensi fraktal
yang tidak terlalu jauh berbeda yaitu berkisar
1.4 sampai 1.7. Hal ini dipengaruhi oleh
tekstur yang mirip pada setiap bagian.
Besarnya objek yang mengisi ruang bidang
juga mempengaruhi dimensi fraktal. Pada FD
pertama dan FD kedua yang diketahui sebagai
ujung daun secara visual objek pada bagian ini
lebih kecil daripada bagian lain. Kemudian
jika dilihat nilai dimensinya yaitu FD 1 =
1.4848 dan FD 2 = 1.5906 ternyata lebih kecil
dibandingkan bagian lain yang memiliki
dimensi berkisar 1.6 ke atas. Dapat
disimpulkan bahwa besarnya objek cukup
mempengaruhi nilai dimensi fraktal.
Tabel 1 Nilai dimensi fraktal FD pada delapan
local region daun Cincau Hitam
(Mesona palustris)
No Nilai FD No Nilai FD
1
FD 1 = 1.4848
2
FD 2 = 1.5906
3
FD 3 = 1.6751
4
FD 4 = 1.6392
5
FD 5 = 1.7357
6
FD 6 = 1.6908
7
FD 7 = 1.6730
8
FD 8 = 1.6596
c. Hasil vektor ciri
Untuk satu citra daun didapatkan vektor
ciri yang terdiri atas sembilan elemen dimensi
fraktal (FD)dengan FD pertama sampai FD
kedelapan berasal dari setiap local region dan
FD kesembilan berasal dari citra keseluruhan
(global). Kesembilan elemen vektor ciri
dimensi fraktal jika disajikan dalam grafik
maka akan membentuk pola dimensi tertentu.
Gambar 13 menunjukkan pola vektor dimensi
fraktal pada dua contoh citra untuk dua kelas
daun yang berbeda.
Setiap kelas akan membentuk pola dimensi
yang berbeda-beda dan mencirikan kelas
tersebut. Pada Gambar 13 daun A dan daun B
memiliki pola yang berbeda. Daun B rata-rata
berdimensi lebih kecil daripada daun A karena
daun B memiliki bentuk yang lebih ramping.
Pada dimensi yang ketujuh dan kedelapan
dimensi daun B menurun cukup jauh karena
pada local region tersebut hanya ditemukan
sedikit objek yaitu pada daerah pangkal daun.
Hasil vektor ciri sangat bergantung pada
data yang digunakan. Faktor pencahayaan dan
keragaman bentuk daun dalam satu kelas
cukup mempengaruhi hasil ekstraksi terutama
Gambar 13 Pola vektor dimensi fraktal pada
dua kelas yang berbeda, A
(Cincau Hitam) dan B (Lilin).
pada tekstur tulang daun. Untuk dua citra
daun dengan bentuk yang mirip bisa memiliki
nilai dimensi yang jauh berbeda seperti
ditunjukkan pada Gambar 14. Citra daun a
dan daun b memiliki perbedaan pada tekstur
tulang daunnya. Citra daun b merupakan
contoh citra yang kurang merepresentasikan
tekstur dengan baik karena ada bagian daun
yang kurang jelas. Oleh karena itu, pola
dimensi fraktal kedua citra tersebut kurang
mendekati satu sama lain walaupun berada
dalam satu kelas yang sama.
Gambar 14. Pola vektor dimensi fraktal pada
kelas Iler untuk dua daun yang
berbeda.
Kemiripan pola vektor dimensi fraktal
dalam satu kelas akan mengakibatkan kelas
0.5
0.7
0.9
1.1
1.3
1.5
1.7
1.9
1 2 3 4 5 6 7 8 9
Dim
ensi
Fra
ktal
(FD
)
FD ke-x
0.5
0.7
0.9
1.1
1.3
1.5
1.7
1.9
1 2 3 4 5 6 7 8 9
Dim
ensi
Fra
ktal
(FD
)
FD ke-x
9
tersebut lebih mudah dikenali dan sebaliknya.
Tabel 2 pada halaman 9 menunjukkan hasil
ekstraksi beberapa kelas dalam grafik vektor
dimensi fraktal yang setiap kelasnya diberikan
empat contoh citra daun.
Tabel 2 Hasil dimensi fraktal pada lima kelas untuk empat sampel daun
Kelas Citra RGB Grafik gabungan dimensi fraktal
5
(Lilin)
6
(Daruju)
15 (Mrambos)
9
(Kumis
Kucing)
Dari Tabel 2 terlihat bahwa kelas 15
(Mrambos) memiliki pola dimensi yang saling
mendekati antar citra dalam satu kelas. Begitu
pula dengan kelas 5 (Lilin), nilai dimensi pada
local region rata-rata lebih kecil daripada
kelas lain. Diantara semua kelas, kelas 6 yaitu
daun Daruju memiliki bentuk yang tidak
biasa. Grafik dimensi antara keempat contoh
daun pada kelas tersebut memiliki pola yang
tidak terlalu mirip di bagian FD ke-1 dan FD
ke-2 yaitu salah satunya bisa bernilai sangat
kecil (di bawah 1.2). Kedua nilai tersebut
merepresentasikan local region pada bagian
ujung daun. Perbedaan ini terjadi karena pada
0
0.5
1
1.5
2
1 3 5 7 9
Dim
ensi
fra
ktal
(FD
)FD ke-x
0
0.5
1
1.5
2
1 3 5 7 9
Dim
ensi
fra
ktal
(FD
)
FD ke-x
0
0.5
1
1.5
2
1 3 5 7 9
Dim
ensi
fra
ktal
(FD
)
FD ke-x
0
0.5
1
1.5
2
1 3 5 7 9
Dim
ensi
fra
ktal
(FD
)
FD ke-x
h g
f e
l k
j i
p o
n m
t s
r q
10
local region tersebut objek citra sangat kecil
dibandingkan dengan citra yang lain. Diantara
hasil ekstraksi pada seluruh kelas yang
digunakan (Lampiran 1)pola seperti ini jarang
terjadi, sehingga kelas 6 tersebut akan lebih
mudah dikenali.
Pada kelas 9 (Kumis Kucing) terlihat
bahwa pola dimensi antara keempat sampel
tidak teratur (tidak membentuk pola yang
sama) sehingga kurang mencirikan kelas
tersebut. Hal ini terjadi akibat bentuk daun
pada kelas 9 beragam dan pencahayaan yang
berbeda-beda pada setiap citra daun.
Identifikasi Citra
Identifikasi citra dilakukan dengan
klasifikasi menggunakan Probabilistic Neural
Network (PNN). Hasil ekstraksi 600 citra
tumbuhan obat menggunakan dimensi fraktal
Box Countingmenghasilkan vektor-vektor
citra tumbuhan obat. Vektor-vektor tersebut
menjadi masukan bagi klasifikasi citra
menggunakan PNN.
Klasifikasi dilakukan dengan membagi
data latih dan data uji masing-masing 67%
dan 33% (20 data latih dan 10 data uji). Kelas
target dari klasifikasi berjumlah 20 kelas.
Masukkan PNN menggunakan bias sebesar
0.08. Akurasi yang dihasilkan adalah 67%.
Perbandingan akurasi setiap kelas dapat
dilihat pada Gambar 15 serta confussionmatrix
untuk 20 kelas disajikan dalam Lampiran 3.
Gambar 15 Grafik akurasi identifikasi setiap
kelas citra tumbuhan obat.
Dari Gambar 15, kelas 3 (Iler), 5 (Lilin), 6
(Daruju), dan 15 (Mrambos) memiliki akurasi
mencapai 100% yang berarti selalu
terklasifikasikan dengan benar. Hasil ekstraksi
kelas 5, 6, dan 15 dapat dilihat pada Tabel 2.
Secara visual kelas-kelas yang memiliki
akurasi tinggi adalah citra daun yang memiliki
tekstur tulang daun sangat jelas atau yang
memiliki bentuk yang cukup berbeda dengan
yang lainnya seperti kelas 6 (Daruju).
Kelas-kelas yang memiliki akurasi yang
rendah adalah kelas 9 (Kumis Kucing), 10
(Sambang Darah), dan 18 (Gadung Cina)
dengan akurasi masing-masing 30%, 30%,
dan 20%. Hasil ekstraksi kelas 9 telah
menunjukkan pola dimensi yang tidak
seragam (Tabel 2). Kelas dengan akurasi
rendah rata-rata memiliki pencahayaan yang
kurang baik dan bentuk daun yang sangat
beragam dalam satu kelas dipengaruhi oleh
sudut pengambilan citra yang berbeda-beda
seperti pada Gambar 16.
Gambar 16 Contoh kelas citra yang memiliki
akurasi terendah (Gadung Cina).
Identifikasi Sistem dengan Hasil Tiga Kelas
Teratas
Sistem dibangun dengan menggunakan
MATLAB 7.04. Untuk meningkatkan
performa, identifikasi dilakukan dengan
mengambil tiga kelas yang memiliki
probalilitas tertinggi sebagai hasilnya. Kelas
pertama adalah kelas dengan probabilitas
maksimum (hasil PNN yang sebenarnya),
kelas kedua adalah kelas dengan probabilitas
tertinggi urutan kedua, begitu pula kelas
ketiga yang memiliki probabilitas tertinggi
urutan ketiga. Hal ini dilakukan untuk
mempermudah pengguna apabila hasil
identifikasi ke kelas pertama tidak
menunjukkan kelas yang tepat, mengingat
akurasi hasil PNN masih dibawah 70%.
Untuk mengetahui apakah hasil
identifikasi pada sistem menunjuk ke kelas
yang benar pengguna dapat melihat
keterangannya pada jendela Identifikasi.
Apabila hasil yang ditampilkan adalah kelas
yang berbeda dengan kueri (salah
idensifikasi), maka pengguna dapat memilih
kelas kedua teratas dari hasil identifikasi.
Begitu pula halnya apabila kelas kedua teratas
menujukkan hasil yang salah, pengguna masih
dapat memilih kelas tiga teratas.
Pengujian sistem ini dilakukan dengan
menghitung akurasi dari tiga kelas teratas.
Untuk setiap urutan kelas jumlah prediksi
yang benar diberi bobot masing-masing yaitu
1 untuk kelas pertama, 2/3 untuk kelas kedua,
0
10
20
30
40
50
60
70
80
90
100
1 2 3 4 5 6 7 8 9 1011121314151617181920
Akurasi
Kelas
11
dan 1/3 untuk kelas ketiga. Hasil akurasi
dengan memperhitungkan tiga kelas teratas
sebesar 86.19%.Gambar 17 pada halaman 11
menunjukkan antarmuka sistem pada tahap
ekstraksi dan identifikasi. Antarmuka tahap
pelatihan data disajikan pada Lampiran 2.
Gambar 17 Antarmuka sistem, (a) tahap ekstraksi dan (b) tahap identifikasi pada kelas 6.
KESIMPULAN DAN SARAN
Kesimpulan
Penerapan dimensi fraktal dengan metode
Box Countinguntuk identifikasi tumbuhan
obat secara otomatis berhasil
diimplementasikan. Hasil ekstraksi
membentuk pola dimensi fraktal yang
berbeda-beda pada setiap kelas yang
merepresentasikan tekstur tulang daun serta
bentuk dari citra.Pada penelitian ini, hasil
identifikasi menggunakan Probabilistic
Neural Network menghasilkanakurasi sebesar
67% dan akurasi sistem dengan hasil tiga
kelas teratas sebesar 86.19%. Pencahayaan
dan keberagaman data sangat mempengaruhi
hasil akurasi.
Saran
(a)
(b)
12
Segmentasi citra yang lebih baik perlu
dilakukan untuk mendapatkan hasil ekstraksi
yang sesuai.Pengambilanlocal region di satu
sisi saja, atau merata-ratakan local region kiri
dan kanan dapat dilakukan untuk
menyederhanakan keberagaman fitur.
Penggunaan metode dimensi fraktal yang
telah dimodifikasi seperti Differencial Box
Countingperlu diteliti lebih lanjut.
Perbanyakan database citra tumbuhan obat
yang sesuai kriteria perlu dilakukan untuk
mendapatkan identifikasi citra yang lebih
sesuai.
DAFTAR PUSTAKA
Acharya T, Ray A. 2005. Image Processing
Principal and Application. New Jersey:
John Willey & Sons Inc.
Barnsley, M. F. et al. 1988. The Sciense of
Fractal Images. New York: Springer-
Verlag New York Inc.
Bruno O. M, Backes A. R. 2008. A New
Approach to Estimate Fractal Dimension
of Texture Image. Heidelberg: Springer.
Bruno O. M, et al. 2008. Fractal Dimension
Applied to Plant Identification. Brazil:
Elseiver Inc.
Bruno O. M, Backes A. R. 2009. Plant Leaf
Identification Using Multi-scale Fractal
Dimension. Heidelberg: Springer.
Kulsum, L. U. 2010. Identifikasi Tanaman
Hias secara Otomatis Menggunakan
Metode Local Binary Pattern Descriptor
dan Probabilistic Neural Network.Skripsi.
Institut Pertanian Bogor.
Mandelbrot, B.B.1982. The Fractal Geometry
of Nature. New York: W.H. Freeman and
Company.
Masyhud. 2010. Lokakarya Nasional
Tumbuhan Obat Indonesia 2010. Jakarta:
Pusat Penelitian dan Pengembangan
Hutan Tanaman.
Nurafifah. 2010.Penggabungan Ciri
Morfologi, Tekstur, dan Bentuk Untuk
Identifikasi Daun Menggunakan
Probabilistic Neural Network. Skripsi.
Institut Pertanian Bogor.
Putra, Darma. 2010. Pengolahan Citra
Digital. Yogyakarta: Penerbit ANDI.
Wu S. G., et al. 2007. A Leaf Recognition
Algorithm for Plant Using Probabilistic
Neural Network. China: Chinese Academy
Science.
Zuhud, E.A.M. 2009. Potensi Hutan Tropika
Indonesia sebagai Penyangga Bahan Obat
Alam untuk Kesehatan Bangsa.Jurnal
Bahan Alam Indonesia. Vol VI No.6,
Januari 2009.
LAMPIRAN
14
Lampiran 1 Dua puluh jenis citra tumbuhan obat
No. Nama Daun Contoh citra daun
1 Jarak Pagar
(Jatropha curcas Linn.)
2
Dandang Gendis
(Clinacanthus nutans
Lindau)
3
Iler
(Coleus scutellarioides,
Linn,Benth)
4 Cincau Hitam
(Mesona palustris)
5 Lilin
6 Daruju
(Acanthus ilicifolius L.)
7 Bunga Telang
(Clitoria ternatea L.)
15
Lampiran 1 Lanjutan
8 Pungpulutan
(Urena lobata L.)
9
Kumis kucing
(Orthosiphon aristatus
(B1) Miq.)
10
Sambang Darah
(Excoceria
cochinchinensis Lour.)
11 Jambu Biji
(Psidium guajava L.)
12 Akar Kuning
(Arcangelisiaflava L.)
13 Kemangi
(Ocimum basilicum)
16
Lampiran 1 Lanjutan
14
Handeleum
(Graptophyllum pictum
(L.) Griffith.)
15
Mrambos
(Hibiscus radiatus
cav.)
16 Nandang Gendis
Kuning
17 Tabat Barito
(Ficus deltoidea L.)
18 Gadung Cina
(Smilax china)
19 Bidani
(Quisqualis Indica L.)
20
Pegagan
(Centella asiatica,
(Linn) Urban.)
17
Lampiran 2 Antarmuka Sistem identifikasi daun tumbuhan obat menggunakan fraktal
Halaman awal
Proses pelatihan data
Buka folder data
18
Lampiran 2 Lanjutan
Ekstraksi data latih
Identifikasi hasil ekstraksi data latih dengan data uji
19
Lampiran 3Confussion matrix 20 kelas citra tumbuhan obat
observasi
kelas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
aktu
al
1 7
1
2
2
7
1
2
3
10
4
9
1
5
10
6
10
7
6
1
3
8
1
8
1
9
3
1
2 2
2
10
1 1
3
1 2 1
1
11
5 1
3
1
12
1 1
5
1
2
13
1
9
14
1
1
6 1
1
15
10
16
3
7
17
4
6
18
1
3
2 1 3
19
1 9
20
1
2 1
1
1
4