IDENTIFIKASI TUMBUHAN OBAT BERBASIS FRAKTAL MENGGUNAKAN CLUSTERING FUZZY C-MEANS
IYAN MULYANA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Identifikasi Tumbuhan Obat Berbasis Fraktal Menggunakan Clustering Fuzzy C-Means adalah karya saya dengan arahan dari Komisi Pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal dan dikutif dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, April 2012 Iyan Mulyana NPM:G651090071
ABSTRACT
MULYANA, The Identification of Medicinal Plants based on Fractal using Fuzzy C-Means Clustering. Under direction of YENI HERDIYENI and SONY HARTONO WIJAYA Identification medicinal plant species automatically still be a problem for recognizing various kind of medicinal plants in Indonesia. The research purpose is to develop medicinal plant identification system by using fractal and Fuzzy CMeans (FCM) clustering. Fractal method is used to extract image feture of the medicinal plant leaf. Beides, FCM clustering is needed to classify image feature medicinal plant into some lass or cluster. Two fractal approach used in this research are fractal dimension and fractal code. Fractal dimension is based on similiarity of the medicinal plant leaf image pattern and counted with box counting method, however fractal code is based on similiarity of the medicinal plant leaf image texture. This research used the data from the collection in Biofarmaka IPB plantation and glasshouse of Ex-Situ conservation of Indoensia Tropicana. 600 data is used contain of 20 variety of medicinal plants for each 30 sampel. This experimental result shows that 85.04% of FCM clustering based on dimension and 79.94% FCM clustering based on the fractal code. According to this result, medicinal plant identification system which are easy and with high accuracy will motivate public to empower and use medicinal plant in Indonesia which will increase Indonesian public health and wealth. Keywords: identification medicinal plants, fractal, fractal dimension, fractal code, fuzzy c-means
RINGKASAN MULYANA. Identifikasi Tumbuhan Obat Berbasis Fraktal Menggunakan Clustering Fuzzy C- Means. Dibimbing oleh YENI HERDIYENI dan SONY HARTONO WIJAYA. Indonesia memiliki potensi sangat besar dalam penyediaan bahan baku tumbuhan obat. Hal ini dibuktikan dari 40.000 jenis tumbuhan di dunia, 30.000 ribu merupakan spesies tumbuhan tingkat tinggi yang ada di Indonesia dan 7.000 diantaranya merupakan tumbuhan berkhasiat obat. Dengan beragamnya jenis tumbuhan obat membuat identifikasi menjadi sulit sehingga kemampuan untuk mengidentifikasi tumbuhan obat dengan tepat menjadi kebutuhan penting. Penelitian ini bertujuan mengembangkan sistem identifikasi tumbuhan obat menggunakan metode fraktal dan clustering Fuzzy C-Means (FCM). Metode fraktal digunakan untuk mengekstraksi fitur citra daun tumbuhan obat, sedangkan clustering FCM digunakan untuk mengklasterkan citra daun tumbuhan obat ke dalam beberapa kelas atau cluster. Ada dua pendekatan metode fraktal yang digunakan pada penelitian ini yaitu dimensi fraktal dan kode fraktal. Dimensi fraktal didasari pada tingkat keseragaman pola bentuk citra daun tumbuhan obat dan dihitung dengan metode box counting, sedangkan kode fraktal didasari pada kemiripan pola tekstur dari citra daun tumbuhan obat. Data yang digunakan dalam penelitian ini adalah kumpulan daun tumbuhan obat di kebun Biofarmaka IPB dan di rumah kaca Pusat Konservasi ExSitu Tumbuhan Obat Hutan Tropika Indonesia, Fakultas Kehutanan IPB. Data yang digunakan sebanyak 600 data, terdiri atas 20 jenis tumbuhan obat dan masing masing 30 sampel. Metode penelitian yang digunakan terdiri atas beberapa tahap yaitu akusisi data citra daun tumbuhan obat, preprocesing citra, ekstraksi fitur citra menggunakan metode fraktal dengan pendekatan dimensi fraktal dan kode fraktal, clustering citra daun tumbuhan obat menggunakan clustering FCM, pembuatan model, proses identifikasi dan evaluasi hasil clustering dan hasil identifikasi. Ekstraksi fitur dengan dimensi fraktal menghasilkan lima nilai dimensi fraktal. Nilai pertama dihasilkan dari ekstraksi citra secara keseluruhan (global). Empat nilai lainnya dihasilkan dari ekstraksi local region. Dimensi fraktal citra daun tumbuhan obat dihitung menggunakan metode box counting. Ekstraksi fitur dengan kode fraktal menghasilkan empat nilai kode fraktal yaitu Nilai skala kontras (s), faktor kecerahan (g), rata rata blok range (Avgrange) dan rata-rata blok domain (Avgdomain). Nilai ini diperolah dari pasangan blok domain dan blok range yang memilki nilai RMS atau nilai error terkecil. Hasil penelitian menunjukan tingkat akurasi untuk clustering FCM berdasarkan nilai dimensi fraktal sebesar 85,04 % dan berdasarkan nilai kode fraktal sebesar 79,94 %. Dengan adanya sistem identifikasi tumbuhan obat yang mudah dan dengan ketepatan tinggi akan memberi motivasi kepada masyarakat untuk memberdayakan dan memanfaatkan tumbuhan obat di Indonesia sehingga dapat memberi dampak terhadap peningkatan kesehatan dan kesejahteraan masyarakat Indonesia. Kata kuci : identifikasi tumbuhan obat, fraktal, dimensi fraktal, kode fraktal, fuzzy c-means
Hak Cipta Milik IPB, Tahun 2012 Hak Cipta dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB.
IDENTIFIKASI TUMBUHAN OBAT BERBASIS FRAKTAL MENGGUNAKAN CLUSTERING FUZZY C-MEANS
IYAN MULYANA
Tesis sebagai salah satu syarat untuk memperoleh gelar Megister Komputer pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
Judul Thesis
: Identifikasi Tumbuhan Obat Berbasis Fraktal Menggunakan Clustering Fuzzy C-Means.
Nama
: Iyan Mulyana
NIM
: G651090071
Disetujui, Komisi Pembimbing
Dr. Yeni Herdiyeni, S.Si, M.Kom
Sony Hartono Wijaya, S.Kom, M.Kom
Ketua
Anggota
Diketahui,
Ketua Program Studi Ilmu Komputer
Dr. Yani Nurhadryani S.Si, M.T
Tanggal Ujian :
Dekan Sekolah Pascasarjana
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Lulus :
Penguji Luar Komisi pada Ujian Tesis : Mushthofa, S.Kom, M.Sc.
PRAKATA Segala puji syukur penulis panjatkan kehadirat Allah SWT karena atas rahmat dan hidayah-Nya penulis dapat menyelesaikan tesis ini. Judul yang dipilih pada karya ilmiah ini adalah Identifikasi Tumbuhan Obat berbasis fraktal Menggunakan Clustering Fuzzy C-Means. Proses penyelesaian tesis ini tidak terlepas dari dukungan berbagai pihak, oleh karena itu penulis mengucapkan terima kasih yang sebesar-besarnya kepada: 1. Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom. dan Bapak Sony Hartono Wijaya, S.Kom, M.Kom, selaku Ketua dan Anggota Komisi Pembimbing atas bimbingan dan arahannya selama proses penelitian dan penyusunan tesis ini hingga selesai. 2. Ibu Dr. Yani Nurhadryani, S.Si, M.T, selaku Ketua Program Studi Ilmu Komputer yang telah memberi banyak masukan untuk perbaikan tesis ini. 3. Bapak Mushthofa, S.Kom, M.Sc, selaku dosen penguji yang telah memberi banyak masukan untuk perbaikan tesis ini. 4. Ibunda Imas Marwati, Istri tercinta Siti Masfufah dan kedua putriku tersayang Annisa Siti Fatimah Az Zahra dan Annisa Siti Rofi’atur Rahma atas doa, kesabaran dan kasih sayangnya selama penulis melakukan studi di sekolah pasacasarjana IPB. 5. Ibu Dr. Prasetyorini selaku Dekan FMIPA UNPAK, Ibu Dra. Sri Setyaningsih, M.Si selaku Pembantu Dekan Bidang Akademik FMIPA UNPAK, Ibu Prihastuti Harsani, M.Si. selaku ketua Jurusan Ilmu Komputer FMIPA UNPAK yang telah memberi kesempatan kepada penulis untuk melanjutkan sekolah pascasarjana dan selalu memberi dukungan dan semangat selama menyelesaikan studi di sekolah pascasarjana IPB program studi Ilmu Komputer. 6. Seluruh Dosen dan Staf Jurusan Ilmu Komputer FMIPA Universitas Pakuan yang telah memberi dukungan dan bantuan selama penulis melakukan studi di sekolah pascasarjana IPB. 7. Seluruh Dosen dan Staf Departemen Ilmu Komputer Institut Pertanian Bogor yang telah memberi dukungan dan bantuan selama penulis melakukan studi di sekolah pascasarjana IPB. 8. Ibu Arie Qur’ania, Bapak Aries Maesya, Bapak Sena Ramadona dan rekan– rekan angkatan XI Program Studi Ilmu Komputer, Sekolah Pasacsarjana IPB atas kebersamaan dan dukungannya selama menyelesaikan studi. 9. Ade Opik Hidayat, S.Kom dan Dimpy, S.Kom yang telah banyak membantu selama penyelesaikan tesis ini. 10. Semua Pihak yang telah membantu proses penelitian ini.
Bogor, April 2012 Iyan Mulyana
RIWAYAT HIDUP Penulis dilahirkan di Bandung pada hari Kamis, 25 Juni 1970 sebagai anak ke enam dari enam bersaudara pasangan Alm. Djudju Djunaedi dan Imas Marwati. Saat masih kecil, penulis mengenyam pendidikan di SDN Cijagra 2 Bandung (1977-1983), penulis melanjutkan pendidikan menengahnya ke SMP Negeri Katapang Bandung (1983–1986), Kemudian STM Negeri Kimia Bandung (19861989). Setelah lulus SMU pada tahun 1989, penulis berkesempatan bekerja di PT. Indocement Tunggal Prakarsa Tbk. sampai dengan tahun 1999. Penulis Melanjutkan Studi di AMIK Binaniaga Bogor (1993-1997) dan melanjutkan Program S1 di Universitas Pakuan Jurusan Ilmu Komputer (2000-2003). Dari tahun 2003 penulis bekerja menjadi staf pengajar di Universitas Pakuan Bogor. Penulis berkesempatan melanjutkan ke jenjang pascasarjana (S2) Ilmu Komputer (ILKOM), Institut Pertanian Bogor sejak 2009.
xvii
DAFTAR ISI Halaman DAFTAR TABEL ...............................................................................................xix DAFTAR GAMBAR ..........................................................................................xxi DAFTAR LAMPIRAN .......................................................................................xxv BAB I. PENDAHULUAN .................................................................................... 1 1.1 Latar Belakang .......................................................................................... 1 1.2 Perumusan Masalah .................................................................................. 2 1.3 Tujuan Penelitian ...................................................................................... 3 1.4 Ruang Lingkup Penelitian ......................................................................... 3 BAB II. TINJAUAN PUSTAKA.......................................................................... 5 2.1 Tumbuhan Obat......................................................................................... 5 2.2 Fraktal ....................................................................................................... 5 2.3 Ekstraksi Fitur dengan Fraktal .................................................................. 6 2.4 Klasifikasi Citra ........................................................................................ 10 2.5 Fuzzy C-Means ......................................................................................... 11 2.6 Evaluasi Sistem ......................................................................................... 12 BAB III. METODE PENELITIAN ...................................................................... 15 3.1 Tahapan Penelitian .................................................................................... 15 3.1.1
Akusisi Citra Tumbuhan Obat ...................................................... 16
3.1.2
Preprocessing Citra Daun Tumbuhan Obat .................................. 16
3.1.3
Ekstraksi Fitur Tumbuhan Obat dengan Metode Fraktal .............. 16
3.1.4
Clustering Tumbuhan Obat dengan Fuzzy C- Means ................... 18
3.1.5
Pengujian Hasil Identifikasi Citra Daun Tumbuhan Obat ............ 19
3.2 Kebutuhan Perangkat dan Peralatan Penelitian ........................................ 20 3.3 Waktu dan Tempat Penelitian ................................................................... 20
xviii
BAB IV. HASIL DAN PEMBAHASAN ............................................................. 21 4.1 Ekstrasi Fitur Citra Daun Tumbuhan Obat ............................................... 21 4.1.1
Ekstrasi Fitur dengan Dimensi Fraktal (Fraktal Dimension) ........ 21
4.1.2
Ekstrasi Fitur dengani Kode Fraktal (Fraktal Code) ..................... 23
4.2 Vektor Ciri Citra Daun Tumbuhan Obat ................................................... 30 4.2.1
Hasil Vektor Ciri Dimensi Fraktal (Fraktal Dimension) .............. 30
4.2.2
Hasil vektor Ciri Kode Fraktal (Fraktal Code) ............................. 32
4.3 Evaluasi Sistem ......................................................................................... 34 4.3.1
Model Clustering Citra Daun Tumbuhan Obat dengan FCM Berdasar kan Dimensi Fraktal ....................................................... 34
4.3.2
Model Clustering Citra Daun Tumbuhan Obat dengan FCM Berdasarkan Kode Fraktal ............................................................. 38
4.3.3
Hasil Identifikasi Citra Daun Tumbuhan Obat dengan FCM Berdasarkan Dimensi Fraktal ........................................................ 40
4.3.4
Hasil Identifikasi Citra Daun Tumbuhan Obat dengan FCM Berdasarkan Kode Fraktal ............................................................. 43
BAB V. SIMPULAN DAN SARAN .................................................................... 45 5.1 Kesimpulan ............................................................................................... 45 5.2 Saran.......................................................................................................... 45
DAFTAR PUSTAKA ........................................................................................... 47
xix
DAFTAR TABEL Halaman 1. Perhitungan nilai x dan y........................................................................... 19 2. Hasil perhitungan s, g dan RMS antara blok domain dan blok range bagian kiri atas (00)................................................................................... 25 3. Hasil perhitungan s, g dan RMS antara blok domain dan blok range bagian kanan atas (01)............................................................................... 25 4. Hasil perhitungan s, g dan RMS antara blok domain dan blok range bagian kiri bawah (01) ............................................................................. 26 5. Hasil perhitungan s, g dan RMS antara blok domain dan blok range bagian kanan bawah (11) .......................................................................... 26 6. Nilai Kode Fraktal pada daun jarak pagar................................................. 27 7. Confussion matrix hasil clustering berdasarkan dimensi fraktal .............. 31 8. Confussion matrix hasil clustering berdasarkan kode fraktal .................. 35
xx
xxi
DAFTAR GAMBAR Halaman 1. Fraktal dengan karakteristik kemiripan pada diri sendiri ............................. 5 2. Garis berdimensi 1(a) Bidang berdimensi 2 (b) Kubus berdimensi 3 (c) . ....6 3.
Objek The Koch Snowflake (a) dan Segitatiga Sierpinski (b) . ...................6
4. Pembagian citra menggunakan Box Counting dengan nilai r yang berbeda mulai dari r =1 s/d r=16..................................................................................7 5. Citra yang memiliki kemiripan bentuk (a) dan tekstur (b) pada bagianbagiannya .......................................................................................................7 6. Tahapan Penelitian .........................................................................................12 7. Pembagian citra global (a) dan local region (b) .............................................14 8. Ilustrasi pembentukan blok domain ...............................................................14 9. Ilustrasi pembentukan blok range ..................................................................15 10. Citra daun dibagi ke dalam kotak-kotak ukuran r..........................................18 11. Grafik nilai perbandingan nilai Log (1/r) dan Log (N) ..................................19 12. Dimensi fraktal pada daun Jarak Pagar keseluruhan(a) dan local region(b) .20 13. Nilai intensitas dari citra daun ukuran 16 x 16 pixel .....................................21 14. Sub citra ukuran 8 x 8 pixel ...........................................................................21 15. Sub citra ukuran 4 x 4 pixel ...........................................................................22 16. Blok domain rata-rata empat pixel dari sub citra 8 x 8 pixel .........................22 17. Blok domain rata-rata empat pixel dari sub citra 4 x 4 pixel .........................23 18. Tahapan partisi blok range sampai ukuran 4 x 4 pixel ..................................23 19. Tahapan partisi blok range ukuran 2 x 2 pixel ..............................................24 20. Pola vektor dimensi fraktal untuk satu daun Jarak Pagar ..............................27 21. Pola vektor dimensi fraktal kelas Pegagan.....................................................28 22. Pola vektor dimensi fraktal kelas Handeleum................................................28 23. Pola vektor kode fraktal untuk satu daun Jarak Pagar ...................................29 24. Pola vektor kode fraktal kelas Nandang Gendis Kuning ...............................30 25. Pola vektor kode fraktal kelas Kemangi ........................................................30
xxii
26. Pola bentuk daun Bunga Telang ....................................................................32 27. Pola bentuk daun Pegagan .............................................................................32 28. Pola bentuk daun pegagan (a) dan daun Jarak Pagar .....................................33 29. Pola bentuk daun Tabat Barito .......................................................................33 30. Pola bentuk daun Tabat Barito (a) dan daun Bunga Telang (b).....................33 31. Pola bentuk daun Lilin (a), Dandang Gendis (b), Sambang Darah (c), Kemangi (d), Handeuleum (e) dan Nandang Gendis Kuning (f) ...................34 32. Pola bentuk daun Handeleum (a), Lilin (b), Sambang Dasah (c), Kemangi (d) dan Nandang Gendis Kuning (f)...............................................................34 33. Pola tekstur daun Nandang Gendis Kuning. ..................................................36 34. Pola tekstur Nandang Gendis kuning(a) dan Dandang Gendis (b) ..............36 35. Pola bentuk daun Kemangi (a), Lilin (b), Kumis Kucing (c), Sambang Darah (d) dan Gadung Cina (e) .....................................................................37 36. Pola bentuk daun Gadung Cina (a), Jarak Pagar (b), Iler (c), Mrambos (d), Bidani (e) .......................................................................................................37 37. Grafik akurasi klasifikasi setiap kelas citra tumbuhan obat berdasarkan dimensi fraktal ...............................................................................................38 38. Pola bentuk daun kelas Pegagan ...................................................................38 39. Pola vektor dimensi fraktal kelas Pegagan ....................................................38 40. Pola bentuk daun kelas Bunga Telang .........................................................39 41. Pola vektor dimensi fraktal kelas Bunga Telang ...........................................39 42. Pola bentuk daun kelas Handeuleum ` ...........................................................39 43. Pola vektor dimensi fraktal kelas Handeleum ...............................................39 44. Grafik akurasi klasifikasi setiap kelas citra tumbuhan obat berdasarkan kode fraktal ...................................................................................................40 45. Pola bentuk daun kelas Nandang Gendis Kuning .........................................40 46. Pola vektor kode fraktal kelas Nandang Gendis Kuning ...............................40 47. Pola bentuk daun kelas Kemangi ...................................................................41 48. Pola vektor kode fraktal kelas Kemangi ........................................................41
xxiii
DAFTAR LAMPIRAN Halaman 1. Daftar data jenis daun tumbuhan obat .......................................................... 49 2. Tampilan halaman identifikasi tumbuhan obat. .............................................51 3. Data jarak antar pusat cluster hasil clustering FCM berdasarkan dimensi fraktal .............................................................................................................52 4. Data jarak antar pusat cluster hasil clustering FCM berdasarkan kode fraktal .............................................................................................................53
BAB I PENDAHULUAN 1.1. Latar Belakang Indonesia merupakan salah satu negara yang memiliki potensi sangat besar dalam penyediaan bahan baku tumbuhan obat. Hal ini dibuktikan dari 40.000 jenis tumbuhan di dunia, 30.000 ribu merupakan spesies tumbuhan tingkat tinggi yang ada di Indonesia dan 7.000 diantaranya merupakan tumbuhan berkhasiat obat (Saifudin et al. 2011). Dengan beragamnya jenis tumbuhan obat membuat identifikasi menjadi sulit sehingga kemampuan untuk mengidentifikasi tumbuhan obat dengan tepat menjadi kebutuhan penting bagi pakar maupun orang-orang yang berkecimpung dalam dunia tumbuhan obat. Proses identifikasi bergantung pada hasil ekstraksi fitur. Salah satu bagian tumbuhan obat yang dapat digunakan untuk ekstraksi adalah daun. Setiap tumbuhan obat memiliki bentuk dan tekstur daun yang berbeda-beda. Tetapi untuk satu jenis tumbuhan obat memiliki pola bentuk dan pola tekstur yang sama meskipun ukurannya berbeda-beda. Pola bentuk dan pola tekstur dari daun dapat dijadikan sebagai penciri tumbuhan obat. Salah satunya adalah dengan ekstraksi fitur berbasis fraktal. Melalui fraktal dapat dihitung nilai dimensi daun dan dicari bagian-bagian daun yang memiliki kemiripan antara satu bagian dengan bagian lainnya. Hal ini disebabkan oleh fraktal memiliki sifat self similarity, yaitu terdiri atas bagian-bagian yang memiliki kemiripan dari satu bagian dengan bagian lainnya (Mandelbrot 1982). Ada dua pendekatan ekstraksi fitur dengan metode fraktal yaitu dimensi fraktal (fractal dimension) dan kode fraktal (fractal code). Dimensi fraktal didasari pada tingkat keseragaman pola bentuk yang dimiliki suatu citra. Sedangkan kode fraktal didasari kemiripan pola tekstur pada diri sendiri dari suatu citra (Barnsely et al. 1988). Untuk mempermudah proses identifikasi tumbuhan obat, terlebih dahulu dilakukan pengelompokan ke dalam beberapa kelas atau cluster. Salah satunya menggunakan clustering Fuzzy C-Means (FCM). Clustering ini menggunakan model pengelompokan fuzzy, yaitu satu data dapat menjadi anggota dari semua kelas atau cluster yang terbentuk dan setiap data dalam satu kelas atau cluster ditentukan oleh derajat keanggotaanya.
2
Beberapa penelitian menggunakan metode fraktal adalah Chandra et al. (2009) menggunakan dimensi fraktal dalam Iris Recognition System dengan klasifikasi menggunakan
tiga metode yaitu Bayes, Euclidian dan K-nearest
neighbor (K-NN). Tingkat akurasi pada penelitian ini adalah 100 % untuk semua data training dan 90 % untuk data yang berbeda. Mozaffari (2005) menggunakan kode fraktal untuk pengenalan pola karakter dan digit bahasa arab dengan klasifikasi menggunakan Support Vector Machine (SVM) dan Radial Basis Function (RBF) Neural Network. Hasil penelitian menujukan klasifikasi dengan SVM mencapai tingkat pengenalan pola 91,33 % untuk karakter dan 92,71 % untuk digit. Sedangkan klasifikasi dengan RBF mencapai tingkat pengenalan pola 90,9 % untuk karakter dan 91,70 % untuk digit. Penelitian lainnya, Dimpy (2011) menggunakan dimensi fraktal
dan klasifikasi
Probabilistic Neural Network
(PNN) untuk mengidentifikasi tumbuhan obat
dengan tingkat akurasi hasil
penelitian 67 %. Beberapa penelitian menggunakan metode fraktal dan Clustering FCM adalah Peng et al. (2005) menggunakan dimensi fraktal dan FCM untuk mengklasifikasi citra bawah laut. Pada penelitian ini segmentasi citra bawah laut diklasifikasikan berdasarkan dimensi fraktal yang mencerminkan sifat perubahan strukturalnya. Hasil penelitian menghasilkan tingkat akurasi 94,44 % untuk struktur bebatuan dan 94,12 % untuk struktur cekungan. Kiani et al. (2009) menggunakan kode fraktal dan FCM untuk penyisipan watermark pada sebuah gambar. Penyisipan watermark dilakukan terhadap blok domain gambar berdasarkan hasil klasifikasi dengan FCM sehingga meningkatkan kapasitas dan kecepatan prosedur watermarking. Hasil penelitian menghasilkan tingkat akurasi 96,7 %. Berdasarkan penelitian-penelitian sebelumnya, maka dalam penelitian ini mengusulkan sistem identifikasi tumbuhan obat berbasis fraktal menggunakan clustering FCM.
1.2. Perumusan Masalah Perumusan masalah adalah menganalisis ekstraksi tumbuhan obat menggunakan fraktal dengan metode clustering FCM.
3
1.3. Tujuan Penelitian Tujuan dari penelitian ini adalah mengembangkan sistem identifikasi tumbuhan obat menggunakan fraktal dan clustering FCM.
1.4. Ruang Lingkup Penelitian Data
penelitian
adalah daun tumbuhan obat yang berada di kebun
Biofarmaka IPB dan di rumah kaca Konservasi Ex-Situ Tumbuhan Obat Hutan Tropika Indonesia, Fakultas Kehutanan IPB.
BAB II TINJAUAN PUSTAKA
2.1. Tumbuhan Obat Tumbuhan obat adalah tumbuhan yang memiliki khasiat obat dan digunakan sebagai obat dalam penyembuhan maupun pencegahan penyakit. Pengertian berkhasiat adalah mengandung zat aktif yang berfungsi mengobati penyakit tertentu atau mengandung efek resultan/sinergi dari berbagai zat yang berfungsi mengobati (Thomas 1993). Bermacam-macam penyakit dan berbagai keluhan baik yang ringan maupun yang berat dapat diobati dengan memanfaatkan ramuan dari tumbuhan obat. Setiap tumbuhan obat memiliki bentuk dan tekstur daun yang berbedabeda. Tetapi untuk satu jenis tumbuhan obat pada umumnya memiliki
pola
bentuk dan pola tekstur yang sama meskipun ukurannya berbeda-beda. Keragaman bentuk dan tekstur dari daun ini menjadi pembeda antara satu jenis tumbuhan obat yang satu dengan tumbuhan obat lainnya. Beberapa bentuk dasar daun antara lain berbentuk bulat, elips, memanjang dan meruncing.
2.2. Fraktal Fraktal berasal dari bahasa latin yaitu fractus yang berarti pecah (broken) atau tidak teratur (irregular). Pada dasarnya fraktal merupakan geometri sederhana yang dapat dipecah-pecah menjadi beberapa bagian yang memiliki bentuk seperti bentuk sebelumnya dengan ukuran yang lebih kecil (Mandelbrot 1982). Fraktal memiliki sifat-sifat self-similarity, self-affinity, self-inverse, dan self-squaring. Sifat self-similarity menunjukkan bahwa fraktal terdiri dari bagianbagian yang berbentuk serupa satu sama lain. Self-affinity menggambarkan bahwa fraktal disusun atas bagian-bagian yang saling terangkai satu sama lain. Selfinverse artinya suatu bagian dari fraktal dapat merupakan susunan terbalik dari susunan lainnya, sedangkan self-squaring dapat diartikan bahwa suatu bagian dari fraktal merupakan peningkatan kerumitan dari bagian terdahulu (Peitgen et al. 1992).
6
Fraktal adalah bentuk apa saja yang memiliki kemiripan dengan dirinya sendiri (Mandelbrot 1982). Gambar 1 menunjukan contoh karakteristik kemiripan dengan diri sendiri dari fraktal. Gambar 1(a) merupakan gambar yang terdiri atas satu garis utama dan 2 garis cabang. Bila aturan pada Gambar 1(a) diterapkan pada cabang-cabangnya, maka diperoleh Gambar 1(b). Bila setiap cabang pada Gambar 1(b) diterapkan aturan yang sama akan diperoleh Gambar 1(c). Gambar 1(b) dan 1(c) diperoleh dengan menerapkan aturan yang sama secara berulangulang (proses rekursif). Proses perulangan ini dapat berlangsung tanpa batas dengan berbagai ukuran/skala. Cabang yang lebih kecil memiliki sifat yang sama dengan cabang yang lebih besar.
(a)
(b)
(c)
Gambar 1 Fraktal dengan kemiripan pada diri sendiri. 2.3. Ekstraksi Fitur dengan Fraktal Fitur merupakan karakteristik unik dari suatu objek (Putra 2010). Ekstraksi fitur adalah proses mendapatkan penciri atau fitur dari suatu citra. Ada beberapa bagian citra yang dapat dijadikan fitur citra, antara lain bentuk dan tekstur. Ciri bentuk merepresentasikan informasi geometris yang tergantung terhadap posisi, orientasi dan ukuran. Ciri tekstur didefinisikan sebagai pengulangan pola yang ada pada daerah bagian citra. Tekstur dapat juga membedakan permukaan dari beberapa kelas objek (Acharya dan Ray 2005). Dalam citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Ada dua pendekatan yang digunakan untuk ekstraksi fitur citra berbasis fraktal yaitu dimensi fraktal (fractal dimension) dan kode fraktal (fractal code).
1. Dimensi Fraktal (Fractal Dimension) Dimensi benda yang umum dalam kehidupan sehari hari merupakan dimensi dalam ruang Euclid yaitu 0,1,2 dan 3. Pada objek-objek Euclid, nilai
7
dimensinya berbentuk bilangan bulat. Misalnya garis berdimensi 1 karena memiliki panjang, bidang berdimensi 2 karena memiliki panjang dan lebar, sedangkan ruang memilik dimensi 3 karena memiliki panjang, lebar dan kedalaman (Putra 2010) seperti ditunjukan pada Gambar 2.
(a) D=1
(b) D=2
(c) D=3
Gambar 2 Garis berdimensi 1(a) Bidang berdimensi 2 (b) Kubus berdimensi 3(c).
Fraktal dicirikan oleh dimensinya yang berbentuk pecahan. Misalnya objek The Kock Snowflake berdimensi 1,26 dan segitiga Sierpinski berdimensi 1,58 seperti ditunjukan pada Gambar 3 (Mandelbrot 1982).
(a) D=1,26
(b) D=1,58
Gambar 3 Objek The Kock Snowflake (a) dan segitiga Sierpinski (b)
Salah satu metode yang digunakan untuk menghitung dimensi fraktal adalah metode penghitungan kotak (box counting) yang dapat dinyatakan dengan (Putra 2010): …………………………………………………………...(1) dengan : N = banyaknya kotak berukuran r yang berisi informasi piksel objek D = dimensi fraktal objek r = rasio.
8
Adapun langkah-langkah metode box counting adalah sebagai berikut : a. Citra dibagi ke dalam kotak-kotak dengan ukuran r. Nilai r berubah dari 1 sampai 2k, dengan k = 0,1,2,…dan seterusnya, dan 2k tidak boleh lebih besar dari ukuran citra. Bila citra berukuran 2m x 2m, maka nilai k akan berhenti sampai m seperti ditunjukan pada Gambar 4.
r=1
r=2
r=4
r=8
r = 16
Gambar 4 Pembagian citra menggunakan Box Counting dengan nilai r yang berbeda mulai dari r =1 s.d r=16.
b.
Menghitung banyaknya kotak N(r) yang berisi bagian-bagian objek pada citra. Nilai N(r) sangat tergantung pada r
c.
Menghitung nilai log (1/r) dan log (N).
d.
Membuat garis lurus menggunakan nilai log (1/r) dan log (N).
e.
Menghitung kemiringan (slope) dari garis lurus dengan persamaan 2 (Bruno et al, 2008). Nilai slope ini merupakan dimensi fraktal dari citra tumbuhan obat. ………………………………………………….. (2) dengan : α = nilai kemiringan (slope). n = banyknya data yang digunakan. X = Nilai Y = Nilai
2. Kode Fraktal (Fractal Code) Kode fraktal didasari pada karakteristik utama dari fraktal, yaitu memiliki kemiripan dengan diri sendiri (Schouten et al. 1999). Kode fraktal menunjukan bagian bagian yang memiliki kemiripan tekstur pada citra dan ditampilkan dalam
9
bentuk data matematis. Gambar 5(a) memperlihatkan citra yang memiliki kemiripan
bentuk
pada
bagian
bagiannya.
Sedangkan
Gambar
5(b)
memperlihatkan citra yang memiliki kemiripan tekstur pada bagian bagiannya.
(a)
(b)
Gambar 5 Citra yang memiliki kemiripan bentuk (a) dan tekstur (b) pada bagian bagiannya.
Adapun tahapan pengkodean fraktal (Fractal Coding) sebagai berikut : a. Menampilkan nilai intensitas piksel dari citra asli b. Membangunan Blok Domain : -
Mempartisi citra
menjadi subcitra dalam berbagai ukuran mulai dari
16x16 piksel, 8x8 piksel, 4x4 piksel hingga 2x2 piksel. Partisi dilakukan mulai dari pojok kiri atas citra bergeser hingga ke pojok kanan bawah. -
Membuat blok domain dengan menghitung rata-rata kelompok empat piksel dari subcitra yang telah terbentuk.
c. Membangun Blok Range : Mempartisi citra
menjadi subcitra dengan partisi quadtree. Partisi ini
membagi citra menjadi empat bagian yang sama besar secara rekursif yaitu setiap bagian yang terbantuk dibagi lagi menjadi empat bagian dan seterusnya hingga mencapai ukuran tertentu. Hasil subcitra dengan partisi quadtree merupakan blok range. d. Menghitung faktor penskalaan kontras (s) dan faktor kecerahan (g) dengan persamaan 3 dan 4 (Soelaiman 2007). …………………………………….. (3) …………………………………………………..... (4)
10
dengan : s = skala kontras g = tingkat kecerahan n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa r i = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn) d i = elemen elemen blok domain jika blok domain adalah D ={d1,d2,…,dn) e. Menghitung RMS antara blok domain dan blok range dengan persamaan 5 (Soelaiman 2007). ....................................(5) dengan : s
= skala kontras
g
= tingkat kecerahan
n
= jumlah intensitas piksel yang ada pada blok yang sedang diperiksa
ri
= elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn)
di
= elemen elemen blok domain jika blok domain adalah D ={d1,d2,…,dn)
RMS = root means square
f. Menyimpan faktor penskalaan kontras (s), faktor kecerahan (g), nilai rata rata blok range (Avgrange) dan nilai rata rata blok domain (Avgdomain) berdasarkan nilai Root Mean Square (RMS) yang terkecil sebagai parameter kode fraktal.
2.4. Klasifikasi Citra Klasifikasi citra adalah proses untuk mengindentifikasi dan kemudian mengelompokan pola ciri citra ke dalam sejumlah kelas atau katagori obyek sehingga setiap kelas mempresentasikan suatu entitas dengan properti yang spesifik (Duda 1995). Klasifikasi citra dibagi menjadi dua kategori yakni supervised dan unsupervised (Duda 1995). Metode supervised digunakan bila training set telah tersedia, yaitu sejumlah citra sudah diklasifikasikan menjadi sejumlah kelas tertentu. Sedangkan metode unsupervised digunakan bila pada training set belum diketahui distribusi kelasnya. Pada metode ini data akan dikelompokkan secara natural berdasarkan properti masing-masing.
11
2.5. Fuzzy C-Means Fuzzy C-Means (FCM) adalah suatu metode clustering data dimana tiap data dalam satu cluster ditentukan oleh derajat keanggotaanya. FCM menggunakan model pengelompokan fuzzy sehingga suatu data dapat menjadi anggota dari semua kelas atau cluster yang terbentuk. Hal ini disebabkan karena nilai keanggotaan suatu data terletak pada interval 0 sampai dengan 1. Adapun tahapan-tahapan Fuzzy C-Means adalah sebagai berikut ( Luthfi 2007):
1. Membentuk matriks partisi awal U (derajat keangotaan dalam cluster) secara acak , dengan ketentuan jumlah setiap kolom pada matrik sama dengan 1.
.......................................................(6)
dengan : U
= matrik partisi awal = derajat keanggotaan untuk data ke-x dan cluster ke-c
2. Menghitung pusat cluster V untuk setiap cluster dengan persamaan 7: ...............................................................................(7) dengan = pusat cluster = derajat keanggotaan titik ke-k di cluster ke-i w = pangkat pembobot x
= data masukan ke-k
3. Menghitung fungsi obyektif pada iterasi ke-t, dengan persamaan 8
:
.......................................... (8) dengan : = fungsi obyektif pada iterasi ke-t = sample data ke-k, atribut ke-j
12
= pusat cluster ke-k untuk atribut ke j = derajat keangotaan titik ke-k di cluster ke-i
4. Memperbaiki derajat keanggotaan setiap anggota dengan persamaan 9.
…………………………………………...(9)
dengan mencari jarak (d) antara pusat cluster dan data dengan persamaan 10. …………………………………………(10) dengan : = sample data ke-k, atribut ke-j = pusat cluster ke-k untuk atribut ke-j = pangkat pembobot
5. Memeriksa kondisi berhenti ; Jika (│P t - P t-1 │< ε) atau ( t > maxiter) Proses selesai Jika tidak : t =t+1 Kembali ke langkah ke 2.
2.6. Evaluasi Sistem Evaluasi sistem dilakukan untuk menentukan tingkat akurasi model clustering dan hasil identifikasi. Salah satu cara untuk menghitung tingkat akurasi adalah dengan menggunakan confusion matrix antara data real dan data prediksi adalah sebagai berikut (Hermaduanti 2008) :
Data Prediksi Data Real
+ -
+ TP FP
FN TN
13
Perhitungan akurasi menggunakan persamaan 11 berikut : Akurasi =
x 100% . TP + TN ................ TP + TN + FP + FN
…………………..11)
dengan : -
TP (True Positive), apabila nilai data real dan data prediksi menghasilkan nilai positif.
-
TN (True Negative), apabila nilai data real dan data prediksi menghasilkan nilai negatif.
-
FP (False Positive), apabila nilai data real negatif tetapi data prediksi menghasilkan nilai positif.
- FN (False Negative), apabila nilai data real positif tetapi data prediksi menghasilkan nilai negatif.
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra Tumbuhan Obat
INPUT Citra Query
Preprocessing Citra
Pre processing Citra
Tumbuhan Obat
Tumbuhan Obat
Ekstraksi Fitur
Ekstraksi Fitur
Menggunakan Metode Fraktal
Menggunakan Metode Fraktal
Clustering Fuzzy C-Means
Model
Hasil Identifikasi
Evaluasi Hasil Identifikasi Tumbuhan Obat
Gambar 6 Tahapan Penelitian.
16
3.1.1. Akusisi Citra Tumbuhan Obat Pada tahap ini citra tumbuhan obat diakusisi dengan sensor larik (sensor array) menggunakan kamera digital. Data yang digunakan pada penelitian ini adalah kumpulan daun tumbuhan obat di kebun Biofarmaka IPB dan di rumah kaca Pusat Konservasi Ex-Situ Tumbuhan Obat Hutan Tropika Indonesia, Fakultas Kehutanan IPB. Pada penelitian ini citra daun tumbuhan obat yang digunakan adalah adalah 20 jenis dan masing-masing jenis terdiri atas 30 citra daun sehingga totalnya adalah 600 data. Jenis-jenis daun yang digunakan 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 seluruh data dapat dilihat pada Lampiran 1.
3.1.2. Preprocessing Citra Tumbuhan Obat Preprocesing yang dilakukan pada penelitian adalah menyeragamkan ukuran citra menjadi 16x16 piksel dan melakukan perubahan bentuk citra ke dalam format grayscale 8 bit (28 = 256 derajat keabuan). Untuk mengubah warna RGB ke grayscale digunakan persamaan 12 ( Jianxin et al. 2011).
Gray = 0,2989 x R+ 0,5870 x G+ 0,1140 x B ……………………… .(12)
3.1.3. Ekstraksi Fitur Tumbuhan Obat dengan Metode Fraktal Ada dua pendekatan metode fraktal yang digunakan untuk ekstraksi fitur yaitu dimensi fraktal dan kode fraktal.
a. Dimensi Fraktal Dimensi fraktal citra daun tumbuhan obat dihitung menggunakan metode Box Counting. Penghitungan dilakukan pada dua model citra, yaitu citra keseluruhan (global) seperti ditunjukan pada Gambar 7(a) dan pada setiap local region yang terdiri atas 4 bagian yang sama seperti ditunjukan pada Gambar 7(b). Hasil ekstraksi citra daun tumbuhan dengan dimensi fraktal menghasilkan lima
17
parameter dimensi fraktal yaitu satu parameter diperoleh dari citra keseluruhan (global) dan empat parameter diperoleh dari citra setiap local region.
(a)
(b)
Gambar 7 Pembagian citra global (a) dan local region (b).
b. Kode Fraktal Pada penelitian ini ada dua tahap yang dilaksanakan untuk mendapatkan kode fraktal citra daun tumbuhan obat. Tahap pertama membentuk blok domain dan blok range. Blok domain dibentuk dengan mempartisi citra asli menjadi subcitra ukuran 8x8 piksel dan 4x4 piksel. Setiap empat piksel dari subcitra yag terbentuk dihitung rata-ratanya sehingga ukuran menjadi 4x4 piksel dan 2x2 piksel. Proses partisi ini membentuk 20 blok domain. Ilustrasi partisi pembentukan blok domain ditunjukan pada Gambar 8.
Gambar 8 Ilustrasi pembentukan blok domain.
Blok range dibentuk dengan mempartisi citra asli menggunakan partisi quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar secara rekursif sampai ukuran 2 x 2 piksel. Proses partisi ini membentuk 80 blok range
18
yang terbagi ke dalam empat kelompok dan masing masing 20 blok domain. Pembagian kelompok berdasarkan bagian kiri atas, bagian kanan atas, bagian kiri bawah dan bagian kanan bawah. Ilustrasi partisi pembentukan blok range dengan partisi quadtree ditunjukan pada Gambar 9.
Gambar 9 Ilustrasi pembentukan blok range.
Tahap kedua adalah mengukur kemiripan antara blok domain dan blok range. Kemiripan diukur dengan menghitung skala kontras, faktor kecerahan dan RMS dari masing-masing pasangan blok domain dan blok range. Pasangan dengan nilai RMS atau nilai error terkecil adalah pasangan yang dianggap paling mirip. Hasil Ekstraksi citra daun dengan kode fraktal menghasilkan empat nilai kode fraktal yaitu
skala kontras (s), faktor kecerahan (g), rata rata blok range
(Avgrange) dan rata-rata blok domain ( Avgdomain ).
3.1.4. Clustering Tumbuhan Obat dengan Fuzzy C-Means Pada penelitian ini ada dua rancangan percobaan yang digunakan untuk clustering tumbuhan obat yaitu : -
Clustering FCM berdasarkan nilai dimensi fraktal
-
Clustering FCM berdasarkan nilai kode fraktal Clustering dilakukan terhadap 400 data latih. Adapun langkah-langkahnya
adalah sebagai berikut : 1. Menginput data berupa matrik-matrik ukuran n x m ( n= jumlah sampel data, m = atribut data yang merupakan nilai dimensi fraktal pada percobaan pertama dan nilai kode fraktal pada percobaan kedua
19
2. Menetapkan parameter yang diperlukan antara lain : -
Jumlah cluster (c)
= 20
-
Pangkat (w)
= 2
-
Maximum iterasi (maxiter)
= 100
-
Kriteria penghentian (e)
= 10 -5
-
Fungsi objektif awal (P 0 )
= 0
-
Iterasi awal t
= 1
3. Membentuk matriks partisi awal U (derajat keanggotaan dalam cluster) secara acak menggunakan persamaan (6), dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1. 4. Menghitung pusat cluster dengan persamaan (7) 5. Menghitung fungsi obyektif pada iterasi ke t , menggunakan persamaan (8) 6. Memperbaiki derajat keanggotaan setiap anggota, menggunakan persamaan (9) dengan tujuan mencari jarak antara pusat cluster dan data 7. Memeriksa kondisi berhenti ; Jika (│P t - P t-1 │< ε) atau ( t > maxiter) Maka proses berhenti dan nilai derajat keanggotaan baru dapat digunakan untuk clustering dari citra daun tumbuhan obat. Jika tidak : t =t+1 Proses kembali ke langkah 4.
3.1.5. Pengujian Hasil Identifikasi Citra Daun Tumbuhan Obat Pada penelitian ini ada dua pengujian yang dilakukan untuk menentukan keberhasilan identifikasi citra tumbuhan obat, yaitu : 1. Pengujian identifikasi tumbuhan obat menggunakan FCM berdasarkan dimensi fraktal 2. Pengujian identifikasi tumbuhan obat menggunakan FCM berdasarkan kode fraktal Untuk menghitung tingkat akurasi hasil pengujian digunakan confusion matrik antara data real dan data prediksi dari citra daun tumbuhan obat.
20
3.2.
Kebutuhan Perangkat dan Peralatan Penelitian
Pada penelitian ini dibutuhkan alat dan bahan sebagai berikut : a. Software yang digunakan : -
Sistem Operasi : MS Windows XP Profesional Version 2002 SP2
-
Pemrograman : PHP, MySQL, Apache, PHPMyAdmin
b. Hardware yang digunakan : Processor Intel(R) Core ™ 2 Duo CPU T57550, memori DDR2, RAM 2,99 GB 3.3. Waktu dan Tempat Penelitian Penelitian dilaksanakan di Laboratorium Computational Intelegence Pascasarjana Departemen Ilmu Komputer IPB di mulai bulan Februari 2011 sampai dengan bulan Desember 2011.
BAB IV HASIL DAN PEMBAHASAN 4.1.Ekstraksi Fitur Citra Daun Tumbuhan Obat Pada penelitian ini ekstraksi fitur citra tumbuhan obat dilakukan dengan dua metode yaitu dimensi fraktal dan kode fraktal.
4.1.1. Ekstraksi Fitur dengan Dimensi Fraktal (Fraktal Dimension) Dimensi fraktal citra daun tumbuhan obat dihitung menggunakan metode Box Counting. Contoh penghitungan dimensi fraktal global untuk citra daun Jarak Pagar adalah sebagai berikut : 1. Membagi citra daun ke dalam kotak-kotak dengan ukuran r. Seperti ditunjukan pada Gambar 10.
R =1/1, N=1 r =1, N=1
r =8, N=47
R =1/2, N=4
R =1/4, N=14
r =2, N=4
r =4, N=14
r =16, N=148
Gambar 10 Citra daun dibagi ke dalam kotak-kotak ukuran r.
22
2. Mengidentifikasi Nilai r dan N r
1
1/2
1/4
1/8
1/16
N
1
4
14
47
148
3. Menghitung nilai Log (1/r) dan Log(N) Log (1/r)
0
0,30103
0,60206
0,90309
1,20412
Log (N)
0
0,60206
1,14613
1,6721
2,17026
4. Menampilkan grafik nilai Log (1/r) dan Log(N). Seperti ditunjukan pada Gambar 11.
Log (N)
Log (1/r)
Gambar 11 Grafik nilai perbandingan nilai Log (1/r) dan Log (N).
4.
Mengitung nilai kemiringan garis sebagai dimensi fraktal seperti ditunjukan pada Tabel 1. Tabel 1 Perhitungan nilai x dan y n
X Log (1/r)
Y Log(N)
XY
X2
Y2
1 2 3 4 5
0 0,30103 0,60206 0,90309 1,20412
0 0,60206 1,14613 1,67210 2,17026
0 0,18124 0,69004 1,51005 2,61326
0 0,09062 0,36248 0,81557 1,44990
0 0,36248 1,31361 2,79591 4,71004
∑
3,010
5,591
4,995
2,719
9,182
23
1,7973 ( nilai dimensi fraktal ) Ekstraksi fitur citra daun tumbuhan obat dengan dimensi fraktal menghasilkan lima nilai dimensi fraktal. Nilai pertama dihasilkan dari ekstraksi citra secara keseluruhan (global). Empat nilai lainnya dihasilkan dari ekstraksi local region. Nilai dimensi fraktal berbentuk pecahan dan berkisar antara satu sampai dua seperti ditunjukan pada Gambar 12.
FD=1,7973 (a)
FD00=1,6033
FD01=1,6593
FD10=1,7762
FD11=1,8662
(b)
Gambar 12 Dimensi fraktal pada daun Jarak Pagar keseluruhan (a) dan local region (b).
4.1.2. Ekstraksi Fitur dengan Kode Fraktal (Fraktal Code) Proses ekstraksi citra dengan kode fraktal adalah membandingkan kemiripan tekstur dari pasangan blok domain dan blok range. Pasangan yang memiliki nilai RMS minimum dianggap memiliki tingkat kemiripan yang paling tinggi. Langkah-langkah pengkodean fraktal (fractal coding) pada citra daun Jarak Pagar adalah sebagai berikut :
24
1. Menampilkan nilai intensitas piksel dari citra asli seperti ditunjukan pada Gambar 13.
255 255 255 255 250 255 255 249 255 250 255 251 250 255 250 255 252 255 251 254 255 242 228 244 253 254 255 255 253 255 249 254 255 254 254 255 247 217 205 218 225 239 255 247 246 255 255 254 255 249 255 251 210 202 212 197 187 207 231 225 236 255 255 250 252 255 250 211 190 205 215 201 195 164 126 86 103 170 219 251 253 255 214 164 186 202 191 200 172 142 121 105 120 156 174 194 255 202 151 147 170 187 189 186 151 121 119 128 140 148 147 168 255 105 92 155 147 177 219 179 136 107 117 142 155 150 148 178 241 89 120 124 143 167 193 178 112 116 141 141 131 139 170 220 222 108 136 143 151 154 188 185 109 127 130 151 148 164 242 255 230 134 113 114 143 147 181 168 106 153 127 123 98 131 255 251 255 197 116 82 112 132 182 169 136 136 112 143 126 139 250 253 243 241 178 119 110 117 172 172 89 113 137 140 120 167 248 248 255 255 214 148 127 152 225 255 129 113 126 119 147 234 255 255 242 255 255 252 251 251 255 255 232 110 78 146 230 255 250 255 255 251 247 255 255 254 248 255 255 251 255 255 255 255 251 253
Gambar 13 Nilai intensitas dari citra daun ukuran 16 x 16 piksel.
2. Membentuk Blok Domain -
Mempartisi citra menjadi ukuran, 8x8 piksel, 4x4 piksel. Partisi dilakukan mulai dari pojok kiri atas bergeser hingga ke pojok kanan bawah seperti ditunjukan pada Gambar 14 dan Gambar 15.
255 255 255 255 250 255 255 249
255 250 255 251 250 255 250 255
252 255 251 254 255 242 228 244
253 254 255 255 253 255 249 254
255 254 254 255 247 217 205 218
225 239 255 247 246 255 255 254
255 249 255 251 210 202 212 197
187 207 231 225 236 255 255 250
252 255 250 211 190 205 215 201
195 164 126
253 255 214 164 186 202 191 200 255 202 151 147 170 187 189 186 255 105
92 155 147 177 219 179
86 103 170 219 251
172 142 121 105 120 156 174 194 151 121 119 128 140 148 147 168 136 107 117 142 155 150 148 178
00
01
89 120 124 143 167 193 178
112 116 141 141 131 139 170 220
222 108 136 143 151 154 188 185
109 127 130 151 148 164 242 255
230 134 113 114 143 147 181 168
106 153 127 123
255 197 116
136 136 112 143 126 139 250 253
241
82 112 132 182 169
98 131 255 251
243 241 178 119 110 117 172 172
89 113 137 140 120 167 248 248
255 255 214 148 127 152 225 255
129 113 126 119 147 234 255 255
242 255 255 252 251 251 255 255
232 110
255 251 247 255 255 254 248 255
255 251 255 255 255 255 251 253
10
78 146 230 255 250 255
11
Gambar 14 Sub citra ukuran 8 x8 piksel.
25
255 255 255 255 252 255 251 254 255 254 254 255 255 249 255 251
250 255 247 210
255 242 217 202
00 252 253 255 255
255 255 202 105
250 214 151 92
211 164 147 155
255 253 225 187
190 186 170 147
205 202 187 177
215 191 189 219
143 151 143 112
167 154 147 132
20
201 200 186 179
195 172 151 136
119 148 252 255
110 127 251 255
30
117 152 251 254
193 188 181 182
172 225 255 248
255 255 255 231
250 253 246 236
251 255 247 225
164 142 121 107
178 185 168 169
112 109 106 136
116 127 153 136
126 86 121 105 119 128 117 142
103 120 140 155
31
89 129 232 255
113 113 110 251
250 249 255 255
255 254 254 250
170 156 148 150
219 174 147 148
251 194 168 178
170 242 255 250
220 255 251 253
248 255 250 251
248 255 255 253
13
141 130 127 112
141 151 123 143
131 148 98 126
22 172 255 255 255
255 255 255 255
03
12
21 178 214 255 247
250 254 239 207
02
11
241 89 120 124 222 108 136 143 230 134 113 114 255 197 116 82
241 255 255 251
249 244 218 197
01
10
243 255 242 255
255 228 205 212
139 164 131 139
13
137 126 78 255
140 119 146 255
120 147 230 255
32
167 234 255 255
33
Gambar 15 Sub citra ukuran 4 x 4 piksel.
-
Menghitung rata-rata setiap empat piksel dari subcitra yang terbentuk sehingga ukurannya menjadi 4x4 piksel dan 2 x2 piksel seperti ditunjukan pada Gambar 16 dan Gambar 17.
254,25 253,8 250,5
244
253,25 253,8
208
219
253
254 253,3
214,5 239,5
252
248 253,5
253,75 209,8 195,8 201,8
168,25 109,5 137,3 209,5
204,25 136,3 170,3 193,3
128,75 126,5 148,3 160,3
00
01
01 165 130,8 153,8
186
116 140,8 145,5 221,8
204 106,3 133,5
175
132,75 126,3 123,5 252,3
248,5 164,8 126,5
206
250,75 252,3 252,8 253,3
10
111 130,5
167 251,5
212 183,5 248,8 252,3
11
Gambar 16 Blok domain rata-rata empat piksel dari subcitra 8 x8 piksel.
26
254,25 253,8 253,25 253,8
00 165 130,8 204 106,3
10 253,75 209,8 204,25 136,3
20 248,5 164,8 250,75 252,3
30
250,5 219
244 208
01 153,75 133,5
186 175
253 254 214,5 239,5
253,25 252 248 253,5
02
03
116 140,8 132,75 126,3
11
12
195,75 201,8 170,25 193,3
168,25 109,5 128,75 126,5
21
22
126,5 206 252,75 253,3
146 117,3 253 255
31
32
145,5 221,8 123,5 252,3
13 137,25 209,5 148,25 160,3
23 167 251,5 248,75 252,3
33
Gambar 17 Blok domain rata rata empat piksel dari sub citra 4 x 4 piksel.
3. Membentuk Blok Range Blok range dibentuk dengan mempartisi citra asli menggunakan partisi quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar secara rekursif. Masing-masing subcitra pada Gambar 14 dibagi menjadi 4 bagian seperti ditunjukan pada Gambar 18 dan
hasilnya dibagi lagi menjadi empat bagian
masing masing 2x2 piksel seperti ditunjukan pada Gambar 19. 255 255 255 255 250 255 255 249
255 255 255 255
250 255 255 249
252 255 251 254 255 242 228 244
252 255 251 254
255 242 228 244
255 254 254 255 247 217 205 218
255 254 254 255
247 217 205 218
255 249 255 251 210 202 212 197
255 249 255 251
210 202 212 197
252 255 250 211 190 205 215 201
00-00
00-01
253 255 214 164 186 202 191 200 255 202 151 147 170 187 189 186 255 105 92 155 147 177 219 179
252 255 250 211 253 255 214 164 255 202 151 147
00
255 105
00-10
92 155
190 205 215 201 186 202 191 200 170 187 189 186 147 177 219 179
00-11
Gambar 18 Tahapan partisi blok range sampai ukuran 4 x 4 piksel.
27
255 255 252 255
00-00-00
255 255 251 254
00-00-01
255 254 255 249
254 255 255 251
00-00-10
00-00-11
252 255 253 255
250 211 214 164
00-10-00
00-10-01
255 202 255 105
151 147 92 155
00-10-10
00-00-11
250 255 255 242
00-01-00 247 217 210 202
00-01-10
190 205 186 202
00-11-00 170 187 147 177
00-11-10
255 249 228 244
00-01-01 205 218 212 197
00-01-11
215 201 191 200
00-11-01 189 186 219 179
00-00-11
Gambar 19 Tahapan partisi blok range sampai ukuran 2 x 2 piksel.
4. Menghitung faktor penskalaan kontras (s), faktor kecerahan (g) dan RMS Pada tahap ini dilakukan penghitungan penskalaan kontras (s) menggunakan persamaan 3, faktor kecerahan (g) menggunakan persamaan 4 dan RMS menggunakan persamaan 5. Penghitungan dilakukan antara blok domain dan 4 kelompok blok range. Hasil penghitungan skala kontras, faktor kecerahan dan RMS antara blok domain dan masing-masing blok range daun Jarak Pagar ditunjukan pada Tabel 2, Tabel 3, Tabel 4 dan Tabel 5.
28
Tabel 2 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kiri atas (00) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Blok Domain Citra Asli Lokasi Rata-rata (Rd) 4-00 218,8 4-01 197,3 4-10 188,1 4-11 176,0 8-00 253,8 8-01 230,4 8-02 240,3 8-03 251,7 8-10 201,0 8-11 190,3 8-12 133,3 8-13 163,8 8-20 151,5 8-21 162,1 8-22 128,9 8-23 185,8 8-30 229,1 8-31 209,6 8-32 192,8 8-33 229,9
Blok Range Bagian Citra Penskalaan Kecerahan Kiri Atas (00) Kontras (s) (g) Lokasi Rata-rata (Rr) 00-00 253,8 0,03 247,5 00-01 230,4 0,31 170,2 00-10 201,0 -0,43 282,4 00-11 190,3 0,01 189,2 00-00-00 254,3 3,00 -507,0 00-00-01 253,8 0,06 240,9 00-00-10 253,3 -0,01 255,4 00-00-11 253,8 -0,45 368,0 00-01-00 250,5 0,08 234,0 00-01-01 244,0 0,77 98,2 00-01-10 219,0 0,64 134,0 00-01-11 219,0 -0,78 336,3 00-10-00 253,8 0,01 252,9 00-10-01 209,8 -0,02 213,5 00-10-10 204,3 0,00 204,4 00-10-11 136,3 0,34 73,4 00-11-00 195,8 -0,14 227,8 00-11-01 201,8 -0,15 233,9 00-11-10 170,3 -0,15 198,2 00-11-11 193,3 0,05 181,2
RMS 2,48 157,04 2635,29 289,71 0,56 1,74 6,17 1,69 16,42 -27863,42 100,96 162,01 1,90 927,32 3751,60 339,64 36,12 10,87 135,65 230,54
Tabel 3 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kanan atas (01) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Blok Domain Citra Blok Range Bagian Citra Penskalaan Kecerahan Asli Kiri Atas (01) Kontras (s) (g) Lokasi Rata-rata (Rd) Lokasi Rata-rata (Rr) 4-00 218,8 01-00 240,3 0,31 173,4 4-01 197,3 01-01 251,7 0,02 248,3 4-10 188,1 01-10 133,3 -0,04 141,5 4-11 176,0 01-11 163,8 0,27 117,1 8-00 253,8 01-00-00 253,0 2,00 -254,5 8-01 230,4 01-00-01 254,0 -0,04 264,3 8-02 240,3 01-00-10 214,5 1,17 -65,8 8-03 251,7 01-00-11 239,5 1,63 -170,3 8-10 201,0 01-01-00 253,3 -0,04 260,9 8-11 190,3 01-01-01 252,0 0,16 222,2 8-12 133,3 01-01-10 248,0 -0,12 264,5 8-13 163,8 01-01-11 253,5 0,04 246,5 8-20 151,5 01-10-00 168,3 -0,07 179,4 8-21 162,1 01-10-01 109,5 -0,02 113,5 8-22 128,9 01-10-10 128,8 0,00 129,0 8-23 185,8 01-10-11 126,5 0,18 93,7 8-30 229,1 01-11-00 137,3 -0,49 249,7 8-31 209,6 01-11-01 209,5 -0,29 271,2 8-32 192,8 01-11-10 148,3 0,06 136,7 8-33 229,9 01-11-11 160,3 0,22 109,4
RMS 277,03 23,14 701,62 1001,36 3,00 2,39 35,26 131,88 1,60 -29626,25 54,40 4,55 392,85 237,57 270,04 10,02 390,87 596,51 15,43 110,72
29
Tabel 4 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kiri bawah (01) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Blok Domain Citra Asli Lokasi Rata-rata (Rd) 4-00 218,8 4-01 197,3 4-10 188,1 4-11 176,0 8-00 253,8 8-01 230,4 8-02 240,3 8-03 251,7 8-10 201,0 8-11 190,3 8-12 133,3 8-13 163,8 8-20 151,5 8-21 162,1 8-22 128,9 8-23 185,8 8-30 229,1 8-31 209,6 8-32 192,8 8-33 229,9
Blok Range Bagian Citra Penskalaan Kecerahan Kiri Atas (10) Kontras (s) (g) Lokasi Rata-rata (Rr) 10-00 128,9 0,16 117,1 10-01 185,8 0,20 123,4 10-10 159,3 0,15 200,7 10-11 229,9 0,54 114,8 10-00-00 116,0 19,00 -4656,3 10-00-01 140,8 -0,53 251,9 10-00-10 132,8 -1,91 662,8 10-00-11 126,3 -3,45 973,7 10-01-00 145,5 -0,07 167,3 10-01-01 221,8 -0,17 218,1 10-01-10 123,5 0,06 125,0 10-01-11 252,3 0,86 33,4 10-10-00 111,0 -0,01 249,3 10-10-01 130,5 -0,06 175,1 10-10-10 212,0 0,00 250,6 10-10-11 183,5 0,03 245,8 10-11-00 167,0 0,16 89,5 10-11-01 251,5 0,55 90,1 10-11-10 248,8 0,03 247,4 10-11-11 252,3 -0,03 259,0
RMS 3037,75 378,34 1654,97 2232,18 4467,38 0,24 1130,69 139,51 66,66 -17366,82 182,35 164,94 42,92 1198,40 28,13 7,30 217,20 452,31 0,22 8,36
Tabel 5 Hasil penghitungan s, g dan RMS antara blok domain dan blok range bagian citra kanan bawah (11) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Blok Domain Citra Blok Range Bagian Citra Penskalaan Kecerahan Asli Kiri Atas (11) Kontras (s) (g) Lokasi Rata-rata (Rd) Lokasi Rata-rata (Rr) 4-00 218,8 11-00 128,9 -0,13 157,5 4-01 197,3 11-01 185,8 0,14 159,1 4-10 188,1 11-10 159,3 1,14 -54,6 4-11 176,0 11-11 229,9 0,40 159,9 8-00 253,8 11-00-00 116,0 3,00 -645,3 8-01 230,4 11-00-01 140,8 -0,08 159,4 8-02 240,3 11-00-10 132,8 -0,15 168,0 8-03 251,7 11-00-11 126,3 4,28 -950,2 8-10 201,0 11-01-00 145,5 -0,28 202,7 8-11 190,3 11-01-01 221,8 -1,07 224,8 8-12 133,3 11-01-10 123,5 -0,64 208,7 8-13 163,8 11-01-11 252,3 0,15 227,8 8-20 151,5 11-10-00 111,0 -0,02 114,1 8-21 162,1 11-10-01 130,5 0,00 129,9 8-22 128,9 11-10-10 212,0 -0,01 213,2 8-23 185,8 11-10-11 183,5 0,29 130,5 8-30 229,1 11-11-00 167,0 0,04 158,4 8-31 209,6 11-11-01 251,5 0,06 239,6 8-32 192,8 11-11-10 248,8 0,08 234,1 8-33 229,9 11-11-11 252,3 0,04 243,8
RMS 190,15 3111,09 785,51 1348,58 45,38 53,20 281,24 34,88 7,02 -30010,84 48,51 7,33 206,66 71,12 3540,19 5461,92 1772,57 3,62 94,94 1,90
30
5. Menetapkan nilai kode fraktal pada citra daun tumbuhan obat Jarak Pagar. Nilai kode fraktal ditentukan berdasarkan nilai RMS atau nilai error yang terkecil. Pada langkah ke 4, nilai RMS paling kecil adalah -30010,84. Dengan demikian blok domain 8-11 dan blok range 11-01-01 adalah pasangan yang memiliki kemiripan dan kode fraktal yang terbentuk seperti ditunjukan pada Tabel 6. Tabel 6. Nilai Kode Fraktal pada daun Jarak Pagar
Jarak Pagar
Faktor Skala
Faktor
Rata rata nilai
Rata rata
Kontras (s)
kecerahan
Blok Domain
nilai Blok
(g)
(Rd)
Range (Rr)
224
190,3
221,8
-1,07
4.2.Vektor Ciri Citra Daun Tumbuhan Obat Ekstraksi citra daun tumbuhan obat menghasilkan vektor ciri dimensi fraktal dan vektor ciri kode fraktal.
4.2.1. Hasil Vektor Ciri Dimensi Fraktal (Fraktal Dimension) Satu citra daun tumbuhan obat memiliki vektor ciri yang terdiri atas lima nilai dimensi fraktal (FD). Vektor ciri dimensi fraktal jika disajikan dalam grafik membentuk pola tertentu. Gambar 20 menunjukan contoh pola vektor dimensi fraktal untuk daun Jarak Pagar.
Gambar 20 Pola vektor dimensi fraktal untuk satu daun Jarak Pagar.
31
Setiap kelas akan membentuk pola vektor dimensi fraktal yang berbeda beda dan mencirikan kelas tersebut. Gambar 21 dan Gambar 22 menujukan pola vektor dimensi fraktal untuk kelas Pegagan dan kelas Handeleum. Setiap kelas terdiri atas 20 daun.
Gambar 21 Pola vektor dimensi fraktal kelas Pegagan.
Gambar 22 Pola vektor dimensi fraktal kelas Handeleum.
32
Hasil vektor ciri sangat tergantung pada data yang digunakan. Faktor keragaman pola bentuk daun dalam satu kelas mempengaruhi hasil ekstraksi dengan dimensi fraktal. Gambar 21 menunjukan kelas Pegagan yang memiliki pola vektor dimensi fraktal mendekati seragam. Hal ini disebabkan pola bentuk daun pada kelas tersebut memiliki kemiripan. Sedangkan Gambar 22 menunjukan kelas Handeleum yang memiliki pola vektor dimensi fraktal tidak seragam. Hal ini disebabkan olah pola bentuk daun pada kelas tersebut berbeda-beda.
4.2.2. Hasil Vektor Ciri Kode Fraktal (Fraktal Code) Satu citra daun tumbuhan obat memiliki vektor ciri yang terdiri atas empat kode fraktal. Vektor ciri kode fraktal jika disajikan dalam grafik membentuk pola tertentu. Gambar 23 menunjukan contoh pola vektor kode fraktal untuk daun Jarak Pagar.
Gambar 23 Pola vektor kode fraktal untuk satu daun Jarak Pagar.
Setiap kelas akan membentuk pola vektor kode fraktal yang berbeda beda dan mencirikan kelas tersebut. Gambar 24 dan Gambar 25 menunjukkan pola vektor kode fraktal untuk kelas Nandang Gendis Kuning dan kelas Kemangi. Setiap kelas terdiri atas 20 daun.
33
Gambar 24 Pola vektor kode fraktal kelas Nandang Gendis Kuning.
Gambar 25 Pola vektor kode fraktal kelas Kemangi.
Hasil vektor ciri sangat tergantung pada data yang digunakan. Faktor keragaman pola tekstur daun dalam satu kelas mempengaruhi hasil ekstraksi dengan kode fraktal. Gambar 24 menujukan kelas Nandang Gendis Kuning yang memiliki pola vektor kode fraktal mendekati seragam. Hal ini disebabkan oleh pola tekstur daun pada kelas tersebut memiliki kemiripan. Sedangkan Gambar 25
34
menujukan kelas Kemangi yang memiliki pola vektor kode fraktal tidak seragam. Hal ini disebabkan pola tekstur daun pada kelas tersebut berbeda-beda.
4.3.Evaluasi Sistem Evaluasi sistem dilakukan terhadap model clustering dan hasil identifikasi citra daun tumbuhan obat. clustering dilakukan dengan membagi data latih dan data uji masing masing 67 % dan 33 %. ( 20 data latih dan 10 data uji).
4.3.1. Model Clustering Citra Daun Tumbuhan Obat dengan FCM Berdasarkan Dimensi Fraktal Setelah dilakukan clustering FCM berdasarkan dimensi fraktal dihasilkan nilai jarak antar pusat cluster
seperti ditunjukan pada Lampiran 3. Hasil
clustering citra daun tumbuhan obat dengan FCM berdasarkan dimensi fraktal diperoleh tingkat akurasi
85,04 %. Tabel 7 menunjukan Confussion matrix
clustering citra daun tumbuhan obat berbasis dimensi fraktal.
Tabel 7 Confussion matrix hasil clustering berdasarkan dimensi fraktal c1 c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20
c3
c4
c5
2
4
10
4 10
c6
c7
c8
c9
c10
8
4 6
c11
c12
c13
c14
c15
6
4
c16
c18
c19
c20
2 2 6
4 2
5 4
c17
4
6 4
4
2
2 4
2 6
3 4
6 20
8
6
6 4
4 6
4 6 6
8
4
2
6 4
5 2
4 4
3 2
6 4
4
8 4 4
4
4 8 10
2
6
4
3
4 17
2
6 4
4
4
8 4
4 4
18
28
2
Jumlah TP TN FP FN
c2 4
16
18
20
22
13
12
33
10
16
29
18
400
4 4 10 10 2 4 20 6 4 6 4 4 4 2 10 4 17 8 4 18 141 141 135 135 143 141 125 139 141 139 141 141 141 143 135 141 128 137 141 127 12 14 10 12 11 8 13 4 12 23 6 26 18 19 12 21 0 10 24 0 16 16 10 10 18 16 0 14 16 14 16 16 16 18 10 16 3 12 16 2
145 2755 255 255
Tingkat akurasi yang diperoleh adalah : 145 + 2755 145+2755+255+255
=
85,04 %
10
30
22
21
22
25
17
Jumlah 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 18 20
35
Pada Confussion matrix (Tabel 7) terdapat tiga kelas
dengan hasil
clustering di atas 80 % yaitu kelas 7 (Bunga Telang), kelas 20 (Pegagan) dan kelas 17 (Tabat Barito). Sedangkan dua kelas berada di bawah 20 % yaitu kelas 5 (Lilin) dan kelas 14 (Handeleum). Kelas 7 (Bunga Telang) ter-cluster 100 % sehingga kelas ini mudah dikenali. Dari 20 data latih semuanya ter-cluster pada kelas 7 (Bunga Telang). Hasil ini diperoleh karena citra daun Bunga Telang memiliki pola bentuk yang hampir
seragam sehingga memiliki nilai dimensi yang hampir sama seperti
ditunjukan pada Gambar 26.
Gambar 26 Pola bentuk daun Bunga Telang.
Kelas 20 (Pegagan) ter-cluster 90 % yaitu dari 20 data latih, 18 data tercluster pada kelas 20 (Pegagan) dan 2 data ter-cluster pada kelas 1 (Jarak Pagar). Secara umum citra daun Pegagan memiliki pola bentuk yang hampir seragam seperti ditunjukan pada Gambar 27. Sedangkan 2 data yang menjadi anggota kelas 1 (Jarak Pagar) dikarenakan pola bentuk daun Pegagan memiliki kemiripan dengan pola bentuk daun Jarak Pagar seperti ditunjukan pada Gambar 28. Selain itu jarak
pusat cluster kelas Pegagan dengan pusat cluster kelas Jarak Pagar
cukup dekat yaitu 0,26 seperti ditunjukan pada Lampiran 3.
Gambar 27 Pola bentuk daun Pegagan.
(a)
(b)
Gambar 28 Pola bentuk daun Pegagan(a) dan daun Jarak Pagar (b).
36
Kelas 17 (Tabat Barito) ter-cluster 85 % yaitu dari 20 data latih, 17 data ter-cluster pada kelas 17 (Tabat Barito) dan 3 data ter-cluster pada kelas 7 (Bunga Telang). Secara umum citra daun Tabat Barito memiliki pola bentuk daun yang hampir seragam seperti ditunjukan pada Gambar 29. Sedangkan 3 data yang menjadi anggota kelas 7 (Bunga Talang) dikarenakan pola bentuk daun Tabat Barito memiliki kemiripan dengan pola bentuk daun Bunga Telang seperti ditunjukan pada Gambar 30. Selain itu jarak pusat cluster kelas Tabat Barito dan pusat cluster kelas Bunga Telang cukup dekat yaitu 0,21 seperti ditunjukan pada Lampiran 3.
Gambar 29 Pola bentuk daun Tabat Barito.
(a)
(b)
Gambar 30 Pola bentuk daun Tabat Barito (a) dan daun Bunga Telang (b).
Kelas 5 (Lilin) ter-cluster 10 %. Dari 20 data latih hanya 2 data yang tercluster ke dalam kelas 5 (Lilin). Sisanya ter-cluster ke beberapa kelas lainnya, yaitu 4 data ke kelas 2 (Dandang Gendis), 5 data ke kelas 10 (Sambang Darah), 4 data ke kelas 13 (Kemangi), 2 data ke kelas 14 (Handeleum) dan 3 data ke kelas 16 (Nandang Gendis Kuning). Tersebarnya hasil clustering ini dikarenakan pola bentuk daun kelas 5 (Lilin) mempunyai kemiripan dengan pola bentuk daun dari kelima kelas tersebut seperti ditunjukan pada Gambar 31. Selain itu jarak antara pusat cluster kelas 5 (Lilin) dengan pusat cluster dari kelima kelas tersebut sangat dekat seperti ditunjukan pada Lampiran 3.
37
(a)
(b)
(c)
(d)
(e)
(f)
Gambar 31 Pola bentuk daun Lilin (a), Dandang Gendis(b), Sambang Darah (c), Kemangi (d), Handeleum (e) dan Nandang Gendis Kuning (f).
Kelas 14 (Handeleum) ter-cluster 10 %. Dari 20 data latih hanya 2 data yang ter-cluster ke dalam kelas 14 (Handeleum). Sisanya ter-cluster ke beberapa kelas lainnya, yaitu 2 data ke kelas 5 (Lilin), 4 data ke kelas 10 (Sambang Darah), 4 data ke kelas 13 (Kemangi) dan 8 data ke kelas 16 (Nandang Gendis Kuning). Tersebarnya hasil clustering kelas ini dikarenakan pola bentuk daun kelas 14 (Handeleum) mempunyai kemiripan dengan pola bentuk daun dari kelima kelas tersebut seperti ditunjukan pada Gambar 32 dan Jarak antar pusat cluster kelas 14 (Handeleum) dengan pusat cluster dari keempat kelas tersebut cukup dekat seperti ditunjukan pada Lampiran 3.
(a) Gambar 32 Pola bentuk
(b)
(c)
(d)
(e)
daun Handeleum(a), Lilin (b), Sambang Darah(c),
Kemangi (d) dan Nandang Gendis Kuning (e) .
4.3.2. Model Clustering Citra Daun Tumbuhan Obat dengan FCM Berdasarkan Kode Fraktal
Setelah dilakukan clustering FCM berdasarkan kode fraktal dihasilkan nilai jarak antar pusat cluster
seperti ditunjukan pada Lampiran 4. Hasil
clustering citra daun tumbuhan obat dengan FCM berdasarkan kode fraktal diperoleh tingkat akurasi
79,94 %. Tabel 8 menunjukan confussion matrix
clustering citra daun tumbuhan obat berbasis kode fraktal.
38
Tabel 8 Confussion matrix hasil clustering berdasarkan kode fraktal c1 c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 Jumlah
TP TN FP FN
c2
c3
c4
3
c5
c6
c7
c8
c9
6 5
3
3 6
2
5
8 4
4 10
6 4
2
4 5
3
9 3 4
3
3 5 4
4
5
2
3 4 3 4
3 4 20
6 3
15
5 27
28
25
24
7 16
12
c10 c11 c12 c13 c14 c15 c16 c17 c18 c19 c20 Jumlah 2 3 6 20 2 6 20 4 4 20 4 4 2 20 6 2 20 4 20 4 8 4 20 3 20 8 4 5 20 3 4 7 2 20 4 4 6 20 3 8 4 20 3 7 2 4 20 4 7 20 8 3 4 20 16 20 3 2 6 20 4 1 8 20 4 6 3 20 4 4 20 20 19 14 8 16 10 32 29 28 19 30 8 400
3 5 3 4 8 10 4 9 8 4 4 8 2 4 8 111 109 111 110 106 104 110 105 106 110 110 106 112 110 106 17 10 24 24 17 14 12 3 12 15 10 0 14 6 24 17 15 17 16 12 10 16 11 12 16 16 12 18 16 12
16 6 1 3 4 98 108 113 111 110 13 22 18 27 4 4 14 19 17 16
114 2166 286 286
Tingkat akurasi yang diperoleh adalah : 114 + 2166 114+2166+286+286
=
79,94 %
Pada Confussion matrix (Tabel 8) terdapat satu kelas
dengan hasil
clustering 80 % yaitu kelas 16 (Nandang Gendis Kuning). Sedangkan dua kelas berada di bawah 20 % yaitu kelas 13 (Kemangi) dan kelas 18 (Gadung Cina). Kelas 16 (Nandang Gendis Kuning) ter-cluster 80 % yaitu dari 20 data latih, 16 data ter-cluster pada kelas 16 (Nandang Gendis Kuning ) dan 4 data tercluster pada kelas 2 (Dandang Gendis). Secara umum citra daun Nandang Gendis Kuning yang menjadi data latih memiliki pola tekstur yang hampir sama seperti ditunjukan pada Gambar 33. Sedangkan 4 data menjadi anggota kelas 2 (Dandang Gendis) karena pola tekstur daun Nandang Gendis Kuning dan pola tekstur daun Dandang Gendis memiliki kemiripan seperti ditunjukan pada Gambar 34. Selain itu jarak antara pusat cluster kelas 16 (Nandang Gendis Kuning) dengan pusat
39
cluster kelas 2 (Dandang Gendis) cukup dekat yaitu 14,37 seperti ditunjukan pada Lampiran 4.
Gambar 33 Pola tekstur daun Nandang Gendis Kuning.
(a)
(b)
Gambar 34 Pola tekstur Nandang Gendis Kuning (a) dan Dandang Gendis (b).
Kelas 13 (Kemangi) ter-cluster 10 % yaitu dari 20 data latih hanya 2 data yang ter-cluster ke dalam kelas 13 (Kemangi). Sisanya ter-cluster ke beberapa kelas yang lainnya, yaitu 4 data ke kelas 5 (Lilin), 3 data ke kelas 9 (Kumis Kucing), 7 data ke kelas 10 (Sambang Darah) dan 4 data ke kelas 18 (Gadung Cina). Tersebarnya hasil clustering dikarenakan pola tekstur daun kelas 13 (Kemangi) mempunyai kemiripan dengan pola tekstur daun pada kelas-kelas tersebut seperti ditunjukan pada Gambar 35. Selain itu jarak antara pusat cluster kelas 13 ( kemangi) dan keempat kelas tersebut cukup dekat seperti ditunjukan pada Lampiran 4.
(a) Gambar 35
(b)
Pola bentuk
(c)
(d)
(e)
daun Kemangi (a), Lilin (b), Kumis Kucing (c),
Sambang Darah (d) dan Gadung Cina (e).
Kelas 18 (Gadung Cina) ter-cluster 5 % yaitu dari 20 data latih hanya 1 data yang ter-cluster ke dalam kelas 18 (Gadung Cina). Sisanya ter-cluster ke beberapa kelas lainnya, yaitu 3 data ke kelas 1 (Jarak Pagar), 4 data ke kelas 3
40
(Iler), 4 data ke kelas 15 (Mrambos) dan 8 data ke kelas 19 (Bidani). Tersebarnya hasil clustering kelas ini dikarenakan pola tekstur daun kelas 18 (Gadung Cina) mempunyai kemiripan dengan pola tekstur daun pada kelas-kelas tersebut seperti ditunjukan pada Gambar 36. Selain itu jarak pusat cluster antara kelas 18 (Gadung Cina) dengan pusat cluster dari kelima kelas tersebut cukup dekat seperti ditunjukan pada Lampiran 4.
(a)
(b)
Gambar 36 Pola bentuk
(c)
(d)
(e)
daun Gadung Cina (a), Jarak Pagar(b), Iler(c),
Mrambos(d), Bidani (e).
4.3.3. Hasil Identifikasi Citra Daun Tumbuhan Obat dengan FCM Berdasarkan Dimensi Fraktal Setelah dilaksanakan identifikasi terhadap 200 data uji citra daun tumbuhan obat diperoleh akurasi sebesar 81 % yaitu 162 data teridentifikasi pada kelas yang sama. Akurasi untuk setiap kelas ditunjukan pada Gambar 37. 100
100
90
90 80
Akurasi (%)
70
90
100
90
90
80
80
80
80
90
90
80
70
90 80
70
70
60
60 50
40
40 30 20 10 0 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Kelas
Gambar 37. Grafik akurasi identifikasi setiap kelas citra tumbuhan obat berdasarkan dimensi fraktal
Pada Gambar 37 kelas 20 (Pegagan) dan kelas 7 (Bunga Telang) memiliki akurasi 100 %. Tingkat akurasi yang dihasilkan dipengaruhi oleh pola vektor
41
dimensi fraktal pada setiap kelasnya. Kelas 20 (Pegagan) dan kelas 7 (Bunga Telang) memiliki pola vektor dimensi fraktal hampir seragam seperti ditunjukan pada Gambar 39 dan Gambar 41. Keseragaman pola vektor dimensi fraktal terbentuk karena kelas-kelas tersebut memiliki pola bentuk daun yang hampir mirip sehingga mudah dikenali seperti ditunjukan pada gambar 38 dan Gambar 40.
Gambar 38 Pola bentuk daun kelas Pegagan.
Gambar 39 Pola vektor dimensi fraktal kelas Pegagan.
Gambar 40 Pola bentuk daun kelas Bunga Telang.
Gambar 41 Pola vektor dimensi fraktal kelas Bunga Telang.
Kelas 14 (Handeleum) memiliki akurasi paling rendah yaitu 40 %. Kelas tersebut memiliki pola bentuk daun yang cenderung berbeda seperti ditunjukan
42
pada Gambar 42 dan pola vektor dimensi fraktal yang tidak seragam seperti ditunjukan pada Gambar 43. Ketidakseragaman pola vektor dimensi fraktal ini mengakibatkan kelas tersebut sulit untuk dikenali.
Gambar 42 Pola bentuk daun kelas Handeleum.
Gambar 43 Pola vektor dimensi fraktal kelas Handeleum.
4.3.4. Hasil Identifikasi Citra Daun Tumbuhan Obat dengan FCM Berdasarkan Kode Fraktal Setelah dilaksanakan identifikasi terhadap 200 data uji citra daun tumbuhan obat diperoleh akurasi sebesar 75,5 % yaitu 151 data teridentifikasi pada kelas yang sama. Akurasi untuk setiap kelas ditunjukan pada Gambar 44. 100
100
90
90 80
Akurasi (%)
70
80 70
90
90
90
90
80
80
70
70
80
80
80
70
70
60
60 50
40
40
30
30 20 10 0 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Kelas
Gambar 44 Grafik akurasi identifikasi setiap kelas citra tumbuhan obat berdasarkan kode fraktal.
43
Pada Gambar 44, kelas 16 (Nandang Gendis Kuning) memiliki akurasi paling tinggi yaitu 100 % . Kelas ini memiliki pola vektor kode fraktal yang hampir seragam seperti ditunjukan pada Gambar 46. Keseragaman ini terbentuk karena kelas tersebut memiliki pola tekstur dan pencahayaan yang hampir mirip sehingga mudah dikenali seperti ditunjukan pada Gambar 45.
Gambar 45 Pola bentuk daun kelas Nandang Gendis Kuning.
Gambar 45 Pola vektor kode fraktal kelas Nandang Gendis Kuning.
Kelas 13 (Kemangi) memiliki akurasi paling rendah yaitu 30 %. Kelas ini memiliki pola vektor kode fraktal yang tidak seragam seperti ditunjukan Gambar 48. Ketidakseragaman pola vektor kode fraktal tersebut terbentuk karena kelas tersebut memiliki pola tekstur dan pencahayaan yang berbeda-beda sehingga sulit untuk dikenali seperti ditunjukan pada Gambar 47.
Gambar 47 Pola bentuk daun kelas Kemangi.
44
Gambar 48 Pola vektor kode fraktal kelas Kemangi.
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut: 1. Metode fraktal dan clustering FCM
dapat diimplementasikan untuk
mengembangkan sistem identifikasi tumbuhan obat. 2. Dengan metode fraktal dapat dihitung nilai dimensi daun dan dicari bagianbagian daun yang memiliki kemiripan antara satu bagian dengan bagian lainnya. 3. Hasil ekstraksi metode fraktal membentuk pola vektor yang berbeda-beda pada setiap kelasnya yang mempengaruhi mudah atau tidaknya kelas tersebut dikenali pada saat identifikasi. 4. Hasil ekstraksi dimensi fraktal lebih dipengaruhi oleh pola bentuk citra daun tumbuhan obat, sedangkan hasil ekstraksi kode fraktal lebih dipengaruhi oleh pola tekstur dari citra daun tumbuhan obat. 5. Hasil clustering citra daun tumbuhan obat menggunakan FCM berdasarkan dimensi fraktal menghasilkan akurasi sebesar 85,04% dan berdasarkan kode fraktal menghasilkan akurasi 79,94%.
5.2. Saran Dalam penelitian ini tahapan preprocesing citra yang dilakukan hanya menyeragamkan ukuran citra 16 x 16 piksel dan mengubah bentuk citra ke dalam format grayscale. Untuk mendapatkan kualitas citra yang lebih baik sebelum di ekstraksi perlu dilakukan beberapa tahapan preprocesing yang lainnya seperti segmentasi citra, perbaikan citra (enhancement) dan normalisasi arah citra dengan perputaran rotasi.
DAFTAR PUSTAKA Acharya T, Ray A. 2005 Image Processing Principal and Aplication, Ney Jersey : John Willey & Son Inc. Barnesley MF, Devaney RL, Mandelbort, Peitgen, Saup D, Voss, RF. 1988. The Science of Fractal Images. Springger verlag. Bruno OM, Backes AR.2008. A New Approach to Estimate Farctal Dimension of Texture image. ICISP. LNCS:136-143. Chandra MPS, Reeddy S, Babu Ramesh. 2009. Iris Recognition System Using Fractal Dimension of Haar Patterns. Internasional Journal of Signal Precessing 2:75-81. Dimpi. 2011. Ekstraksi Daun Menggunakan Dimensi Fraktal untuk Identifikasi Tumbuhan Obat di Indonesia [skripsi]. Bogor. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Duda RO. dan Hart PE. 1995. Pattern Classification and Scene Analysis 2nd ed, New York: John Wiley & Sons.Inc. Hermaduanti N, Kusumadewi S. 2008. Sistem Pendukung Keputusan Berbasis SMS untuk Menentukan Status Gizi dengan Metode K-Nearest Neighbor. Proseding Seminar Nasional Aplikasi Teknologi Informasi 2008, Yogyakarta; 49-55. Jianxin Xu, Wang Hua, Fang Hui. 2011. Characterization of Periodeic, Quasiperiodeic and Chaotic States in Nonpremixed Biodiesel/Air Jet Flames. Hindawi Publishing Corporation 2011 (861436) :[terhubung berkala]. http://www.hindawi.com/journals/mpe/2011/861436.htm [13 Feb 2012] Kiani S, Moghaddam ME. 2009. Fractal Based Digital Image Watermaking Using Fuzzy C- mean Clustering. IEEE Computer Sociaty; 638-642. Luthfi ET. 2007. Fuzzy C-Means untuk Clustering Data, Studi Kasus Data Performance Mengajar Dosen. Proseding Seminar Nasional Teknologi 2007, Yogyakarta; 1-7. Mandelbort, 1982, The Fractal of Nature, Springer Verlag. Mozaffari S, Faez K, Kanan HR. 2005. Performance Evaluation of Fractal Feature in recognition of Postal Code Uisng an RBF neural Network and SVM Classiffier. MVA2005IAPRCATI ; 562-565. Peitgen HO, Jurgens & Saupe, D. 1992. Fractal for Classromm, Part One : Introduction to Fractal and Chaos, National Council of Teachers of Mathematics, Springer Verlag.
48
Peng F, Guohua Xu, Xia Q. 2005. Fuzzy Classificatioan Based on Fractal Featurers for Undersea image. International Journal of Information Technologi 7; 133-142. Putra D. 2010. Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI. Saifudin A, Rahayu V, Yuda H. 2011. Standardisasi Bahan Obat Alam, Yogyakarta: Graha ilmu. Schouten AM, Zeew PM. 1999. Feature Extraction Using Fractal Codes.INCS 1614:483-493 Soelaiman R, Subakti I, Satriaji G. 2007. Implementasi Sistem Temu Kembali Citra Berdasarkan Histogram Parametre Fraktal. Proceeding of National Conference on Computer science & Information Technology, University of Indonesia :212-220. Thomas ANS. 1993. Tanaman Obat Tradisional. Yogyakarta : Kanisius.
LAMPIRAN
50
51
Lampiran 1. Daftar Data Jenis Daun Tumbuhan Obat
1
2
3
4
5
Jarak Pagar
Dandang
Iler
Cincau Hitam
lilin
Gendis Jatropha
Clinacanthus
Coleus
Mesona
Bauhinia
curcas Linn
nutans Lindau
Scutellarioides
palustris
scandens L
Linn, Benth
6
7
8
9
10
Daruju
Bunga Telang
Punpulutan
Kumis Kucing
Sambang Darah
Acanthus
Clitoria
ilicifolius L
ternatea L
Urena Lobata L
Orthosiphon
Excoceria
aristatus (Bi)
cochinchinensis
Miq.
Lour
11
12
13
14
15
Jambu Biji
Akar Kuning
Kemangi
Handeleum
Mrambos
Psidium
Arcangelistafla
Ocimum
Graptophyllum
Hibiscus
guajava L
va L
basilicum
pictum (L)
radiates cav.
Griffith)
52
Lampiran 1 lanjutan
16
17
18
19
20
Nandang
Tabat Barito
Gadung Cina
Bidani
Pegagan
Clinacanthus
Ficus deltoidea
Smilax china
Quisqualis
Cemtella
nutans Lindau
L
Indica L
asiatica (Linn)
Gendis kuning
Urban)
53
Lampiran 2. Tampilan Halaman Identifikasi Tumbuhan Obat
54
Lampiran 3 Data jarak antar pusat cluster hasil clustering FCM berdasarkan
dimensi fraktal
55
Lampiran 4 Data jarak antar pusat cluster hasil clustering FCM berdasarkan kode
fraktal
