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