1

PENDAHULUAN

Latar Belakang

Indonesia merupakan negara tropis yang

memiliki + 30.000 spesies tumbuh-tumbuhan

([Depkes] 2007). Tumbuh-tumbuhan tersebut

banyak yang dibudidayakan sebagai tanaman

hias. Seiring dengan meningkatnya

pendapatan, kesejahteraan, serta daya beli

masyarakat, penikmat tanaman hias kini tidak

hanya para kolektor tanaman hias.

Masyarakat pada umumnya kini mempunyai

kegemaran baru yaitu memelihara tanaman

hias. Jumlah permintaan pasar yang tinggi,

membuat produksi tanaman hias meningkat

dari tahun 1997 hingga 2011 ([BPS] 2011).

Di samping jumlahnya yang terus meningkat,

produksi tanaman hias juga akan

menghasilkan spesies baru akibat

persilangan. Hasil persilangan ini dapat

menyulitkan proses identifikasi. Dibutuhkan

botanis atau ahli tanaman hias untuk

melakukan identifikasi. Namun, proses

identifikasi secara manual memiliki beberapa

kekurangan, seperti dibutuhkan waktu yang

cukup lama. Hal ini menyebabkan kebutuhan

identifikasi tanaman hias secara otomatis

menjadi sangat penting.

Identifikasi tanaman hias secara otomatis

ditentukan berdasarkan penciri citra. Penciri

citra yang biasanya dipakai dalam temu

kembali citra adalah warna, bentuk, dan

tekstur (Rodrigues dan Araujo 2004).

Ekstraksi ciri tekstur pada citra tumbuhan

hias menggunakan metode Local Binary

Pattern (LBP) telah dilakukan oleh Kulsum

(2010). LBP yang digunakan adalah Rotation

Invariant Uniform Patterns ),

Rotation Invariant Variance Measure

) dan LBP Variance ).

Ukuran sampling point yang dapat

menghasilkan akurasi terbaik pada penelitian

tersebut adalah delapan buah, sedangkan

ukuran radiusnya adalah dua piksel.

Klasifikasi merupakan proses untuk

menentukan kelas hasil identifikasi citra.

Teknik klasifikasi sangat berpengaruh

terhadap hasil identifikasi. Citra hasil

ekstraksi akan dikelompokkan sesuai

kemiripan atau jaraknya dengan

menggunakan teknik klasifikasi tertentu.

Nurafifah (2010) telah menggunakan teknik

klasifikasi Probabilistic Neural Network

(PNN) untuk identifikasi daun dengan

penggabungan morfologi, tekstur, dan

bentuk. Teknik PNN dengan penggabungan

fitur ini menghasilkan akurasi sebesar 83.3%.

Penelitian tentang klasifikasi citra tanaman

hias menggunakan PNN telah dilakukan oleh

Kulsum (2010).

Telah ditunjukkan pada sejumlah

penelitian sebelumnya bahwa

mengombinasikan classifier yang berbeda

pada dokumen dapat meningkatkan akurasi

klasifikasi (Larkey 1996 dan Giacinto 1997).

Teknik klasifikasi menggunakan

penggabungan K- Nearest Neighbour (KNN)

dan Naïve Bayes (NB) telah dikembangkan

untuk mengklasifikasikan dokumen

berbahasa Inggris dan menghasilkan tingkat

keakuratan 70% (Li dan Jain 1998).

Pada penelitian ini dilakukan

perbandingan teknik klasifikasi PNN, KNN,

NB, serta penggabungan teknik klasifikasi

KNN+NB.

Tujuan Penelitian

Tujuan penelitian ini adalah

membandingkan teknik klasifikasi KNN, NB,

KNN+NB, dan PNN untuk identifikasi citra

tanaman hias.

Ruang Lingkup Penelitian

Data citra yang digunakan pada penelitian

ini adalah citra tanaman hias yang berada di

Kebun Raya Bogor. Citra terdiri atas 30 jenis

tanaman hias. Tahap segmentasi tidak

dilakukan pada penelitian ini.

TINJAUAN PUSTAKA

Ekstraksi ciri

Ekstraksi ciri merupakan tahap mengubah

masukan ke dalam suatu bentuk baru

sehingga pengenalan pola akan lebih mudah

dilakukan (Bishop, 2006). Ciri merupakan

pendeksripsi suatu objek yang bebas

terhadap posisi, orientasi, dan ukuran. Ciri

tekstur merupakan pengulangan pola yang

ada pada suatu bagian citra (Acharya dan

Ray 2005).

Local Binary Pattern

Local Binary Pattern (LBP) telah

berhasil dikembangkan oleh Kulsum (2010)

untuk mendeskripsikan tekstur tumbuhan

hias dalam mode grayscale. LBP digunakan

untuk mencari pola-pola tekstur lokal pada

citra.

LBP pertama kali bekerja dengan delapan

ketetanggaan yang tersebar secara melingkar

2

dengan pusat piksel berada di tengah. Nilai

LBP dihasilkan dengan mengalikan nilai

piksel yang telah melalui tahap pemotongan

dengan pembobotan biner sesuai posisi

piksel ketetanggaan berada.

Kode-kode LBP selanjutnya

direpresentasikan melalui histogram.

Histogram menunjukkan frekuensi kejadian

berbagai nilai LBP.

Rota tion Invariant Uniform

Patterns )

Operator LBP mengalami perkembangan

dengan dimodelkannya operator

menggunakan berbagai ukuran sampling

points dan radius. Beragamnya operator ini

digunakan untuk membuat skala atau ukuran

lokal tekstur yang berbeda-beda. Selanjutnya

notasi (P, R) akan digunakan untuk piksel

ketetanggaan dengan P merupakan sampling

points yang melingkar dan R merupakan

radius. Gambar 1 memperlihatkan contoh

circular neighborhood dengan operator (8,2).

Gambar 1 Circular neighborhood (8,2).

Operator (8,2) memiliki kuantisasi sudut

45 derajat (jarak antar sampling points 45

derajat). Kuantisasi sudut 45 derajat

merupakan kuantisasi sudut secara kasar

(crude quantization) bila dibandingkan

dengan sampling points 16 dan 24 yang

masing-masing mempunyai kuantisasi sudut

22.5 dan 15 derajat. Kuantisasi sudut 45

derajat mampu mengambil nilai piksel-piksel

ketetanggaan melingkar yang berbeda-beda

(discriminant) sehingga diperoleh pola-pola

LBP yang juga berbeda-beda. Bervariasinya

pola-pola LBP menjadi penciri yang baik

dalam ekstraksi tekstur (Kulsum, 2010).

Kemudian dibuat suatu cara agar pola

LBP tidak sensitif terhadap perubahan rotasi

(rotation invariant). Contoh: LBP =

00001111 = 15 dapat direpresentasikan

dengan circular neighborhood pada Gambar

2.

Gambar 2 Rotation Invariant LBP.

Nilai dan pola-pola LBP pada Gambar 3

dapat berbeda-beda, tetapi memiliki struktur

rotasi yang sama. Setiap pola LBP akan

mempunyai pola yang berbeda jika dirotasi

searah jarum jam ataupun berlawanan arah

jarum jam (Pietikainen et al. 2006).

Pola-pola LBP tertentu memiliki

karakteristik utama dari suatu tekstur. Pola-

pola yang memiliki informasi penting ini

dinamakan “uniform patterns”. LBP

dikatakan uniform jika struktur melingkar

pola-pola binernya paling banyak terdiri atas

dua transisi bit dari 0 ke 1 atau sebaliknya.

Uniform patterns berfungsi untuk

mengidentifikasi noda (spot), flat area atau

dark spot, sudut, dan tepi. Hampir 90 persen

dari tekstur merupakan uniform patterns

(Mäenpää et al. 2002).

Spot Spot/flat Line end Edge Corner

Gambar 3 Tekstur uniform patterns.

Penggabungan antara uniform patterns

dengan rotation invariant dilambangkan

. Notasi ri menunjukkan rotation

invariant dan u2 untuk uniform patterns pada

sampling points P dan radius R.

merupakan ukuran ketidaksensitifan

(invariant) terhadap perubahan grayscale dan

merupakan ukuran yang digunakan untuk

pola spasial.

Jika pola yang diidentifikasi termasuk

uniform patterns, akan dihitung banyaknya

bit satu pada pola tersebut yang menentukan

letak bin uniform patterns berada. Jika P,

banyaknya sampling points sama dengan

delapan, nilai adalah nol sampai

dengan sembilan. Jika bukan uniform

patterns akan masuk ke dalam bin terakhir,

yaitu bin kesepuluah yang merupakan single

bin non uniform patterns (Mäenpää 2003).

Rota tion Invariant Variance

Measure (VAR)

VAR merupakan descriptor untuk

mengukur lokal kontras tekstur pada suatu

citra. tidak mendefinisikan lokal

kontras tekstur dalam perhitungannya. VAR

tidak sensitif terhadap perubahan grayscale.

VAR berhubungan dengan kondisi

pencahayaan suatu citra.

LBP Variance (LBPV)

LBPV descriptor secara sederhana

menggabungkan distribusi informasi local

spatial pattern dan local contrast. Variance

berhubungan dengan fitur tekstur. Biasanya,

3

frekuensi tekstur region yang tinggi akan

mempunyai variance yang lebih tinggi dan

variance-variance tersebut lebih

berkontribusi terhadap perbedaan tekstur

suatu citra (Zhang et al. 2009). Oleh karena

itu, variance dapat digunakan sebagai

bobot yang dapat beradaptasi untuk mengatur

kontribusi nilai LBP pada perhitungan

histogram.

Klasifikasi

Klasifikasi yaitu proses untuk

menemukan sekumpulan model atau fungsi

yang mendeskripsikan dan membedakan

kelas-kelas data dengan tujuan untuk

memprediksikan kelas dari objek yang belum

diketahui kelasnya (supervised learning)

dengan karakteristik tipe data yang bersifat

kategorik (Han dan Kamber 2001).

Proses klasifikasi dibagi menjadi dua fase,

yaitu pelatihan dan pengujian. Pada fase

pelatihan, sebagian data yang telah diketahui

kelas datanya (data pelatihan) digunakan

untuk membentuk model. Selanjutnya pada

fase pengujian, model yang sudah terbentuk

diuji dengan sebagian data lainnya untuk

mengetahui akurasi model tersebut. Jika

akurasinya mencukupi maka model tersebut

dapat dipakai untuk memprediksi kelas data

yang belum diketahui.

Naïve Bayes

Naïve Bayes merupakan metode

klasifikasi dengan cara menghitung peluang

sebuah dokumen d berada di kelas c. Kelas

terbaik pada klasifikasi Naïve Bayes adalah

kelas yang paling mirip dengan data yang

ingin diklasifikasikan atau yang mempunyai

nilai posteriori tertinggi atau maximum a

posteriori (MAP) (Manning 2008).

Peluang Bayes dapat digunakan untuk

menghitung peluang bersyarat, yaitu peluang

kejadian apabila suatu kejadian diketahui.

Metode ini dapat memprediksi kemungkinan

anggota suatu kelas berdasarkan sampel yang

berasal dari anggota kelas tersebut.

Klasifikasi Naïve Bayes termasuk dalam

model multinomial yang mengambil jumlah

penciri yang muncul pada sebuah citra. Pada

model ini sebuah citra terdiri dari atas

beberapa kejadian penciri. Berdasarkan

asumsi Bayes, kemungkinan setiap penciri

dalam setiap citra adalah bebas, tidak

terpengaruh dengan konteks penciri dan

posisi penciri dalam citra.

Berdasarkan teori Bayes, peluang citra

untuk masuk ke dalam kelas atau ditujukkan pada persamaan (1) :

|

(1)

dengan adalah peluang kemunculan

citra di kelas , peluang ini dipengaruhi

oleh penciri yang muncul pada citra d,

sehingga = , yaitu peluang

kemunculan penciri pada citra kelas c,

adalah peluang awal suatu citra masuk kelas

, dan adalah peluang awal kemunculan

citra .

Peluang awal kemunculan citra , yaitu

sama nilainya untuk seluruh kelas ,

sehingga dapat diabaikan. Ditunjukkan pada

persamaan (2) dan (3):

(2)

dengan,

dan

∑ (3)

merupakan banyaknya citra dalam kelas ,

adalah total citra, adalah banyaknya

penciri dalam citra latih dari kelas .

Kelas yang paling sesuai bagi citra

adalah kelas yang memiliki atau nilai

posterior yang paling tinggi.

K-Nearest Neighbor

K-tetangga terdekat atau K-nearest

neighbor (KNN) merupakan metode

klasifikasi yang memasukkan data ke dalam

mayoritas kelas dari k tetangga terdekatnya

dengan k adalah sebuah parameter (Manning

2008). Parameter k dalam KNN seringkali

dipilih berdasarkan pada pengalaman atau

pengetahuan tentang masalah klasifikasi.

Metode KNN bekerja dengan berdasarkan

pada jarak terdekat antara data d dengan data

lainnya untuk menentukan tetangga

terdekatnya. Setelah itu diambil mayoritas

kelas data yang merupakan tetangga terdekat

untuk menentukan kelas data d.

Pembobotan juga bisa dilakukan pada

KNN dari kesamaan cosine. Skor kelas

dihitung pada persamaan (4).

∑ (4)

dengan adalah sekumpulan dari k tetangga

terdekat dari data dan bernilai 1 jika

dan hanya jika data d terdapat di kelas c dan

4

bernilai 0 jika sebaliknya. Data akan

dimasukkan ke kelas yang mempunyai skor

tertinggi. Ilustrasi teknik klasifikasi KNN

ditunjukkan pada Gambar 4.

Gambar 4 Ilustrasi teknik klasifikasi KNN.

Pada Gambar 4, diilustrasikan teknik

klasifikasi KNN. Terdapat tiga kelas, yaitu

dan , serta yang merupakan

vektor yang belum diketahui kelasnya.

Kemudian dipilih lima tetangga terdekat (K =

5). Setelah dipilih lima tetangga terdekat,

dihitung kelas terbanyak pada tetangga

terdekat tersebut. Pada Gambar 4 dapat

dilihat terdapat satu tetangga terdekat

yang berada pada kelas dan empat lainnya

berada pada kelas Berdasarkan jumlah

kelas terbanyak pada tetangga terdekat, maka

berada pada kelas

Adaptive classifier combination

Adaptive classifier combination (ACC)

adalah metode klasifikasi yang

menggabungkan metode naïve bayes dengan

KNN. ACC memasukkan data d ke dalam

kelas ci, dengan kelas yang akan dimasukkan

diidentifikasikan oleh classifier dengan local

accuracy tertinggi dari semua kelas yang ada

(Li dan Jain 1998).

Untuk sebuah data tes d yang akan

diklasifikasikan, dicari tetangga dari d,

data training

menggunakan metode k-nearest neighbor.

Kemudian ditunjukkan hasil klasifikasi

untuk data d oleh n classifier sebagai

{ }. Setelah itu,

untuk setiap kelas , dihitung:

∑ ∑

(5)

dengan merupakan peluang xi

terdapat pada kelas

c j dan Wi merupakan

ukuran kesamaan kosinus antara xi dan d.

Kemudian data d dimasukkan ke kelas ck,

dengan persamaan (6). Ilustrasi teknik

klasifikasi KNN+NB ditunjukkan pada

Gambar 5.

(6)

Gambar 5 Ilustrasi teknik klasifikasi

KNN+NB.

Gambar 5 merupakan ilustrasi teknik

KNN+NB. Hasil K tetangga terdekat pada

klasifikasi KNN, selanjutnya dihitung

peluang terhadap masing-masing kelas yang

terdapat pada K tetangga terdekat. Kelas

akhir vektor uji ditentukan oleh hasil peluang

vektor uji terhadap setiap kelas yang

tertinggi.

Probabil i s t ic Neural Network

(PNN)

PNN dikembangkan oleh Donald Specht

pada tahun 1988. PNN merupakan jaringan

saraf tiruan yang menggunakan teorema

probabilitas klasik seperti pengklasifikasian

Bayes dan penduga kepekatan Parzen. Kernel

(fungsi pembobot) yang digunakan adalah

radial basis function (RBF). RBF adalah

fungsi yang berbentuk seperti bel yang

menskalakan variabel nonlinear (Wu et al.

2007). Salah satu tipe RBF adalah Gaussian.

Gaussian merupakan fungsi yang paling

umum digunakan, serta komputasinya

mudah.

Keuntungan utama menggunakan

arsitektur PNN adalah training data mudah

dan sangat cepat. Struktur jaringan PNN

ditunjukkan pada Gambar 6.

Struktur PNN ditunjukkan pada Gambar 6

yang terdiri atas empat lapisan yaitu :

1 Lapisan masukan merupakan objek

terdiri atas k nilai ciri yang akan

diklasifikasikan pada n kelas.

2 Lapisan pola (pattern layer), digunakan

satu node pola untuk setiap data pelatihan

5

yang digunakan. Setiap node merupakan

selisih antara vektor masukan yang akan

diklasifikasikan dengan vektor bobot ,

yaitu , 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)

3 Lapisan penjumlahan (summation layer),

menerima masukan dari node lapisan pola

yang terkait dengan kelas yang ada.

Persamaan yang digunakan pada lapisan ini

adalah

(8)

dengan k merupakan dimensi vektor ciri, σ

merupakan bias dan t merupakan jumlah data

latih pada kelas tertentu.

4 Lapisan keluaran (output layer),

menghasilkan keputusan input masuk ke

dalam suatu kelas. Input akan masuk kelas

Y jika nilai pY(x) paling besar dibandingkan

kelas yang lainnya.

Gambar 6 Struktur PNN.

Confusion matrix

Confusion matrix merupakan sebuah

tabel yang terdiri atas banyaknya baris data

uji yang diprediksi benar dan tidak benar oleh

model klasifikasi, digunakan untuk

menentukan kinerja suatu model klasifikasi

(Tan et al. 2005). Tabel 1 merupakan tabel

confussion matrix.

Perhitungan akurasi dengan menggunakan

tabel confusion matrix adalah:

Akurasi =

(9)

Tabel 1 Confusion matrix

Assigned class

Class = 1 Class = 0

True

Class

Class = 1 F11 F10

Class = 0 F01 F00

F11 merupakan jumlah citra dari kelas 1

yang benar diklasifikasikan sebagai kelas 1.

F00 merupakan jumlah citra dari kelas 0 yang

benar diklasifikasikan sebagai kelas 0. F01

merupakan jumlah citra dari kelas 0 yang

salah diklasifikasikan sebagai kelas 1. F10

merupakan jumlah citra dari kelas 1 yang

salah diklasifikasikan sebagai kelas 0.

METODE PENELITIAN

Metode penelitian dapat dilihat pada

Gambar 7. Secara garis besar metode

penelitian terdiri atas pengumpulan citra

tanaman hias, praproses, ekstraksi ciri,

pembagian data latih dan data uji, klasifikasi

Naïve Bayes, KNN, penggabungan KNN dan

Naïve Bayes, PNN, dan terakhir pengujian.

Data Penelitian

Data penelitian merupakan kumpulan

citra tanaman hias yang berada di Kebun

Raya Bogor. Citra terdiri dari 30 jenis

tanaman hias. Citra ini diambil dengan

berbagai macam sudut yang berbeda.

Praproses

Sebelum masuk ke tahap ekstraksi ciri,

dilakukan praproses citra. Tahapan ini

dilakukan dengan mengubah mode warna

citra dari RGB (Red-Green-Blue) menjadi

mode grayscale. Tujuannya adalah mengubah

tiga layer matriks warna menjadi satu layer

matriks citra derajat keabuan (grayscale). Hal

ini diperlukan untuk mengolah citra

menggunakan fitur tekstur dengan LBP.