KLASIFIKASI CITRA DAUN MONOKOTIL DAN DIKOTIL

MENGGUNAKAN NAIVE BAYESLita Karima1 , Niar Ariati2 , Dynda Perwary3 , Putranti Puji P.4 , Anisa Rachmawati5

Jurusan Informatika, Program Teknologi Informasi dan Ilmu Komputer,

Universitas Brawijaya, Jalan Veteran Malang 65145 Indonesia

ABSTRAKDalam kehidupan sering ditemukan tanaman dengan berbagai fitur pada mereka, maka memungkinkan untuk mengembangkan suatu aplikasi yang dapat membantu manusia untuk mengenali jenis-jenis daun. Tugas akhir ini dilakukan untuk membangun sistem yang dapat mengidentifikasi dan mengenali objek pola daun dan memberikan keluaran berupa jenis daun apakah daun tersebut termasuk jenis tumbuhan monokotil atau dikotil.\

Proses identifikasi daun dimulai dengan melakukan proses computer vision. Kemudian diteruskan dengan proses recognition, pendeteksian citra(pixel), ekstraksi fitur dan yang terakhir untuk memperoleh keputusan digunakan metode perhitungan naive bayes. Dalam penelitian ini digunakan 30 gambar daun untuk dijadikan sebagai data uji. Dengan menggunakan metode perhitungan naive bayes ini program memiliki tingkat akurasi sebesar 50%.Kata Kunci : Naive Bayes, Image processing, Computer Vision, Daun Monokotil, Daun DikotilABSTRACTIn the life of the plant is often found with a variety of features on them, it is possible to develop an application that can help people to recognize the types of leaves. The final task is done to build a system that can identify and recognize objects and leaf pattern, that gives the types of leaves output whether monocotil or dicotil.Leaf identification process begins with the computer vision, then continue with the process of recognition, image detection (pixel), feature extraction and the latter for approval to using naive bayes methods calculation. This study used leaves 30 images test data. This program produce an accuracy rate up to 50%.

Keywords: Naive Bayes, Image processing, Computer Vision, Monocotil Leaf, Dicotil LeafI. PENDAHULUAN

1.1 Latar Belakang

Di dunia ini terdapat beraneka ragam jenis tumbuhan yang meiliki ciri-ciri yang berbeda antara tumbuhan yang satu dengan tumbuhan yang lain. Karena begitu beragamnya tanaman tersebut, maka timbulah gagasan untuk menciptakan suatu sistem yang berguna untuk mengenal serta mempelajarinya. Pengklasifikasian adalah peroses pengelompokan berdasarkan ciri-ciri tertentu. Salah satu bagian dari tumbuhan yang dapat dijadikan sebagai pengklasifikasinya adalah bentuk daunnya.

Tetapi hingga saat ini, tidak banyak orang yang mengetahui semua nama-nama tumbuhan yang mereka temui. Sehingga dibutuhkan cara mudah untuk dapat mengenali jenis tumbuhan yang ditemui. Seiring dengan kemajuan teknologi informasi, terutama di bidang dunia digitalisasi data citra, dimungkinkan untuk mengembangkan aplikasi untuk pengenalan daun. Pada penelitian kami kali ini, kami akan mengembangkan aplikasi untuk mengklasifikasi citra daun berdasarkan tulang daunnya, dengan menggunakan metode Computer Vision yang di dalamnya berisikan tiga tahap diantaranya adalah image processing (grayscalling, binarisasi, image resizing, dan edge detection), recognition (menggunakan metode Naive Bayes), ekstraksi fitur dan citra piksel. 1.2 Rumusan Masalah

Dalam penelitian ini, untuk membatasi ruang lingkup permasalahan dalam penelitian ini, dibuat rumusan permasalahan sebagai berikut:

1. Apa yang diharapkan dengan melakukan deteksi tepi citra daun?

2. Program apa yang digunakan untuk mengidentifikasi pola tulang daun dari citra daun?

3. Metode apa yang digunakan agar hasil deteksi citra optimal?

4. Apa fungsi dari program yang dibuat?

1.3 TujuanPenelitian ini bertujuan untuk:

1. Menemukan ciri-ciri daun dengan mendeteksi tepi citra daun. 2. Membuat program deteksi tepi yang mampu mengidentifikasi pola tulang daun dari citra daun.3. Mengetahui metode deteksi tepi yang paling optimal untuk mengidentifikasi citra daun.4. Mempermudah dalam mengenali tumbuhan berdasarkan tulang daunnya.1.4 Batasan MasalahBatasan permasalahan yang akan kami bahas dalam pembuatan aplikasi ini adalah sebagai berikut :1. Kami akan membahas sampai dengan dilakukannya pembuatan program sederhana dan akan dianalisa apakah kekurangan dan kelebihan dari program sederhana yang telah kami buat.

2. Disini kami akan menyediakan banyak sampel untuk berbagai jenis daun dari tanaman yang berbeda, dan kami akan menyediakan satu jenis data yang akan kita uji.

3. Bahasa pemrograman yang kami gunakan disini adalah Microsoft Visual Studio C# 2010 Express.II. METODOLOGI Metode yang dilakukan dalam pengenalan citra ini diantaranya:

Computer vision:

1. Image prosessing (grayscaling, binarisasi, image resizing, deteksi sisi(tepi)2. Recognition3. Citra (pixel)4. Ekstraksi fitur (feature extraction)

2.1 Computer Vision

Adalah proses untuk menghasilkan keputusan yang berguna mengenai objek fisik yang nyata serta model yang didasarkan pada citra yang telah ditetapkan. Tujuan dari computer vision adalah untuk menarik kesimpulan mengenai lingkungan fisik dari citra yang ambigu atau yang memiliki noise. Salah satu pendekatan untuk penerapan sistem computer vision adalah dengan mengelmusikan sistem vision pada manusia (human vision). Namun, ada suatu permasalahan yaitu sistem vision pada manusia sangat kompleks dan sukar dipahami, sehingga pada saat ini tidak mudah untuk mengemulasikan sistem human vision secara sempurna.

2.1.1 Image Processing2.1.1.1 Grayscalling

Adalah proses konversi warna citra menjadi citra 8 bit (256 derajad keabuan). Proses grayscalling ini dilakukan dengan mengambil nilai rata-rata dari intensitas warna merah(red), hijau(green) dan biru(blue) pada setiap piksel. Citra tersebut dapat dihitung dengan persamaan 1:

(1)

Dengan menghitung keseluruhan pixel pada citra, maka didapatkan citra 1 dimensi dengan intensitas antara 0 sampai 255.Nilai 0 sampai 255 disebabkan karena citra bernilai 8 bit sehingga terdapat 2 pangkat 8 warna atau 256 warna. Nilai intensitas paling rendah merepresentasikan warna hitam dan nilai intensitas paling tinggi merepresentasikan warna putih.

2.1.1.2 Binarisasi

Adalah proses konversi warna citra menjadi 1 bit atau citra hitam putih. Citra tersebut terdiri atas pixel yang bernilai 1 atau 0. Konversi citra ini dilakukan dengan menggunakan treshold. Jika nilai pixel lebih besar dari threshold, maka pixel tersebut akan dirubah menjadi 1 atau putih dan sebaliknya.

2.1.1.3 Image Resizing

Image Rezising adalah proses mengubah ukuran suatu citra menjadi ukuran lain. Perubahan ukuran suatu citra menjadi lebih kecil akan menyebabkan beberapa informasi yang terdapat dalam citra tersebut menjadi hilang. Sebaliknya, perubahan ukuran suatu citra menjadi lebih besar akan menyebabkan citra menjadi kelihatan pecah.

2.1.1.1.4 Deteksi Tepi

Tepi (edge) adalah perubahan nilai intensitas derajat keabuan dalam waktu yang cepat dan dengan jarak yang singkat. Sedangkan deteksi tepi (edge detection) pada citra adalah suatu proses yang menghasilkan tepi-tepi dari objek-objek citra. Tujuan dari deteksi tepi adalah untuk menandai bagian yang menjadi detail, serta untuk memperbaiki detail dari citra yang kabur, error atau terkena efek dari proses akuisisi citra. Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra apabila titik tersebut mempunyai perbedaan nilai yang cukup tinggi dengan tetangga sebelahnya.

Disini kita menggunakan operator sobel dimana metode dari operator sobel ini merupakan pengembangan dari metode robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Metode operator sobel ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF. Operator sobel melakukan deteksi tepi dengan memperhatikan tepi vertical dan horizontal.Operator sobel menggunakan kernel operator gradient 3x3, misal pengaturan di sekitar piksel (x,y) seperti matriks 2:

(2)Operator sobel adalah magnitude dari gradien yang dihitung dengan menggunakan rumus 3 sebagai berikut :

(3)Turunan parsial dihitung dengan persamaan:Sx = (a2 + ca3 + a4) (a0 +ca7 + a6)

Sy = (a0 + ca1 + a2) (a6 + ca5 + a4)

Dengan konstanta c adalah 2, dalam betuk kedok(mask), Sx dan Sy dapat dinyatakan sebagai :

(4)Arah tepi dihitung dengan persamaan 5 :

(5)2.1.2 Recognition

Adalah menentukan apakah data gambar tersebut mempunyai objek spesifik, feature, atau aktivitas. Bagian ini dapat diselesaikan secara normal dengan tepat dan tanpa bantuan manusia, tetapi hasilnya masih belum dibilang memuaskan dalam berbagai objek atau berbagai situasi.

2.1.3 Citra (pixel)

Citra adalah suatu fungsi intensitas warna dua dimensi f(x,y), dimana x dan y mewakili koordinat lokasi suatu titik dan nilai fungsi yang merupakan tingkat intensitas warna atau tingkat keabu-abuan pada titik tersebut. Citra juga dapat dikatakan sebagai sekumpulan titik-titik pada gambar (piksel) yang menggambarkan posisi koordinat dan mempunyai intensitas yang dinyatakan dengan bilangan.

2.1.4 Ekstraksi Fitur (Feature Extraction)

Adalah teknik untuk mengurangi dimensi dari data input yang ada. Ketika data diinput kedalam suatu algoritma untuk diproses dan dianggap datanya redundant, maka data input diubah kedalam suatu set representasi fitur (yang dinamakan vector fitur). 2.2 Naive Bayes

Metode Bayes merupakan pendekatan statistic untuk melakukan inferensi induksi pada persoalan klasifikasi. Nave Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikenal sebagai teorema Bayes. Teorema tersebut dikombinasikan dengan naive dimana diasumsikan kondisi antar atribut saling bebas [1]. Penggambaran perhitungan Naive Bayesnya seperti berikut:

(7)III. PEMBAHASAN3.1 DataSet Berdasarkan Jenis dan Bentuk Daun

Deteksi jenis daun ini akan mendeteksi jenis daun apakah termasuk daun dikotil atau daun monokotil berdasarkan jenis dan bentuk daun. Berikut pada table 1 dataset daun yang kami persiapkan untuk pengujian program deteksi jenis daun ini :

Tabel 3.1.1 Dataset

3.2 Nilai Dataset

Setelah menentukan daun apa saja yang akan dijadikan dataset kemudian kita membutuhkan suatu nilai dataset yang nantinya nilainya akan dijadikan fitur.Berikut nilai dari dataset yang dapat diperoleh dari program :

Tabel 3.2.2 Nilai Fitur Dataset

Setelah kita mendapatkan nilai dari dataset di atas di peroleh dari data fitur dari daun yang sudah kami identifikasi. Dan menghasilkan nilai fitur-fitur seperti di atas. Selanjutnya akan dilakukan perhitungan naive bayes dari fitur diatas untuk menentukan daun tersebut merupakan jenis dau dikotil atau monokotil. 3.3 Penjelasan Program

Perancangan progam menggunakan bahasa pemograman C# dengan aplikasi Microsoft Visual Studio C# 2010 Express. Untuk menguji hasil dari program kami, kami sediakan 5 data sampel yang diambil dari data set.

Tabel 3.4.3 Hasil AnalisaDari hasil analisis program dengan data uji yang telah disediakan, maka dapat kita perhitungkan tingkat akurasi dari program.

Tabel Pengukuran Tingkat Akurasi

3.4 Screenshoot Program

Berikut ini adalah tampilan interfacenya :

Gambar 3.5.4 Tampilan program saat dijalankan-1

Gambar 3.5.5 Tampilan program saat dijalankan-2

Kedua Gambar 3.5.4 dan 3.5.5 di atas merupakan tampilan program pada saat dijalankan. Tabel-tabel yang ada pada daerah tengah merupakan tabel nilai fitur dari dataset.

IV. KESIMPULAN DAN SARAN

4.1 Kesimpulan

1. Metode klasifikasi menggunakan naive bayes dapat diimplementasikan sebagai sistem pengenalan pola daun

2. Pada pengujian pengenalan jenis daun termasuk dalam jenis dikotil atau monokotil, metode naive bayes yang mempunyai tingkat keberhasilan pengenalan atau memiliki tingkat akurasi sebesar 50%3. Adanya kesalahan identifikasi bisa disebabkan oleh adanya citra daun yang memiliki kedekatan ciri atau pola informasi yang hampir sama (mirip) dalam input gambar yang dimasukkan.

4.2 Saran

Dalam pembuatan tugas akhir ini, masih terdapat banyak kekurangan yang dapat diperbaiki untuk pengembangan berikutnya. Beberapa saran yang diberikan adalah :

1. Perlu dilakukan penelitian terhadap jenis metode pengklasifikasian yang lain kecuali metode naive bayes yang telah diujikan, kemudian dibandingkan untuk memperoleh metode yang paling optimal.

2. Pemilihan citra atau sampel yang baik untuk proses pelatihan mutlak dilakukan karena sangat mempengaruhi hasil akhir.

3. Kesalahan identifikasi bisa terjadi, antara lain karena daun tersebut mempunyai ciri-ciri morfologi yang sama (mirip). Sehingga pada waktu proses pelatihan dan pengenalan lebih baik menggunakan daun yang sudah berumur agak tua, karena diharapkan bentuk dan ciri daun tidak berubah.

4. Perlu dikembangkan penelitian dengan metode pengenalan yang lain, misalnya menggunakan jaringan saraf tiruan.

V. DAFTAR PUSTAKA[1]Library Binus, Sistem Pengenalan Citra Wajah, 2005 http://library.binus.ac.id/eColls/eThesis/Bab2/2005-1-20014-IF%20bab%202.pdf [2] Rekgoantivirus.com, Algoritma Naive Bayes, 2012 http://rekgoantivirus.net/article/96873/algoritma-naive-bayes.html[3]Eko, Krisyanto Kurniawan, Metode Naive Bayes, 2012 http://www.publicmedialearning.com/blog/view/237/metode-naive-bayes[4] Ditut, Algoritma Naive Bayes Classification, 2011 http://ditut113070242.wordpress.com/2011/03/22/algoritma-naive-bayes-classification/