PengenalanSpesiesTanamanBerdasarkanBentuk ...digilib.its.ac.id/public/ITS-paper-27787-5107100156-presentation...• Perimeter ratio of convex hull : perbandingan keliling ROI (keliling

Pengenalan Spesies Tanaman Berdasarkan Bentuk

Daun Menggunakan Metode Klasifikasi Move Median

Center (MMC) Hypersphere

PRESENTASI TUGAS AKHIR

Page 1

Yusuf Ardiansjah (5107100156)

Dosen Pembimbing :

Nanik Suciati, S.Kom, M.Kom., Dr.Eng.

Darlis Herumurti, S.Kom, M.Kom

PendahuluanPendahuluanPendahuluanPendahuluanPendahuluanPendahuluanPendahuluanPendahuluan

Page 2

LATAR BELAKANG

3. Tanaman dapat diklasifikasikan berdasarkan bentuk daunnya.

2. Masih banyak tanaman di dunia yang belum teridentifikasi namanya.

1. Tanaman memainkan peran penting dalam kehidupan.

3. Tanaman dapat diklasifikasikan berdasarkan bentuk daunnya.

4. Perangkat lunak yang mampu mengenali spesies tanaman perlu

dikembangkan untuk mengotomasi proses pengklasifikasian tanaman.

Tugas Akhir – KI091391 324 Januari 2012

TUJUAN

Tujuan dari pembuatan tugas akhir ini adalah untuk

mengembangkan perangkat lunak yang dapat mengklasifikasikan

tanaman menggunakan ekstraksi fiitur morfologi bentuk pada citratanaman menggunakan ekstraksi fiitur morfologi bentuk pada citra

daun dan algoritma Move Median Center (MMC) Hypersphere untuk

klasifikasinya.


RUMUSAN MASALAH

2. Bagaimana melakukan ekstraksi fitur pada daun sehinggadidapatkan fitur morfologi bentuk dari citra daun ?

1. Bagaimana melakukan preproses pada citra daun RGB sehinggadidapatkan citra tepi dari daun ?


3. Bagaimana mengimplementasikan algoritma MMC Hypersphereuntuk proses pengenalan spesies tanaman berdasarkan bentuk citradaun ?

Metode dan Metode dan Metode dan Metode dan Metode dan Metode dan Metode dan Metode dan

ImplementasiImplementasiImplementasiImplementasi

Page 6

Gambaran Umum

Akuisisi Citra Daun Preproses Citra Daun

Ekstraksi Fitur

Training MMC

Klasifikasi

Hasil


Akuisisi Citra Daun

Citra yang digunakan berasal dari http://flavia.sf.net

• Database terdiri dari 1907 citra daun

• Citra daun yang diambil merupakan citra daun tanpa latar belakang• Citra daun yang diambil merupakan citra daun tanpa latar belakang

• Terdiri dari 32 spesies (kelas) yang berbeda

• Setiap kelas memiliki jumlah data citra daun yang berbeda


Image Preproses

Tujuannya untuk mendapatkan citra tepi (kontur) dari citra daun.

• Citra dari database dirubah menjadi citra grayscale

• Menggunakan threshold 0.95 citra grayscale dirubah menjadi citra

biner

• Menggunakan filter laplacian, citra biner dirubah menjadi citra tepi


Ekstraksi Fitur

Tujuannya untuk

mendapatkan fitur 15

DMF dari citra daun

Fitur DMF yang diambil, Fitur DMF yang diambil,

terdiri dari :

• 8 fitur GF

• 7 fitur Invariant Moment

(MF)


Geometrical Feature (GF)

Fitur-fitur yang digunakan dalam GF

• Aspect ratio (AR) : perbandingan panjang max (Dmax) dan panjang

min (Dmin)

• Rectangularity : perbandingan area ROI (area daun) AROI dan area

MBR

• Area ratio of convex hull : perbandingan area ROI (area daun)

dengan area convex hull Ac




• Perimeter ratio of convex hull : perbandingan keliling ROI (keliling

daun) PROI dengan keliling convex hull Pc

• Sphericity : perbandingan jari-jari lingkaran dalam ri dengan jari-jari

lingkaran luar rc

• Circularity : perbandingan mean jarak tepi ke pusat citra daun µR

dengan kuadratik dari jarak tersebut σR




• Eccentricity : perbandingan panjang inersia utama citra EA dengan

panjang minor inersia EB

• Form factor


INVARIANT MOMENT FEATURE(MF)

Digunakan pula MF sebagai baian dari DMF

Fungsi MF tidak berubah terhadap transformasi geometris seperti

translasi, penyekalaan, dan rotasi

Momen suatu citra I(x,y) didefinisikan sebagai berikut :

Dinormalisasi, dengan

dengan nilai

Sehingga menghasilkan 7 Hu moment Invariant sebagai fitur.


INVARIANT MOMENT FEATURE(MF)


Training MMC Hypersphere

Hasil dari proses training ini adalah matriks berisi kelas, jari-jari, serta pusat

hypersphere

Digunakan untuk menentukan kelas data uji pada proses klasifikasi


Training MMC HypersphereLangkah 1 – Tentukan sebagai inisialnya K

= 1, C = 1, S = semua titik dari kelas C.

Langkah 2 – Tentukan median dari S.

Langkah 3 – Pilih titik terdekat Py ke

median sebagai inisial pusat dari

hypersphere K.

Langkah 4 – Tentukan titik terdekat titik

Pz dari kelas yang berbeda dari pusat,

dengan D sebagai jarak antara P dan P .dengan D1 sebagai jarak antara Py dan Pz.

Langkah 5 – Tentukan titik terjauh dari

kelas yang sama di dalam hypersphere dari

radius D1 ke pusat, dengan D2 sebagai

jarak dari pusat ke titik terjauh.

Langkah 6 – Tetapkan radius dari

hypersphere K sebagai (D1+D2)/2.


Training MMC HypersphereLangkah 7 – Cari di antara titik E dalam

kelas yang sama C yang merupakan arah

negative yang didefinisikan sebagai

berikut Px – Py . Tujuannya adalah

memindahkan pusat dari titik baru untuk

memperbesar hypersphere. Titik yang

paling negative dipilih untuk

menggantikan Py sebagai pusat.

Langkah 8 – Jika tidak adah titik denganLangkah 8 – Jika tidak adah titik dengan

arah negative yang dapat dipindah,

Hypersphere K telah terpenuhi, jika tidak

maka ulangi langkah 5-7.

Langkah 9 - Hapus titik yang diliputi

oleh hypersphere K dari S.

Langkah 10 – Tetapkan K = K+1, jika S

tidak kosong maka ulangi langkah 2-9,

jika tidak maka C = C+1, dan operasikan

pada kelas baru dengan menjalankan 1-9.


Tahap Klasifikasi

Langkah 1 : Hitung jarak Di antara data poin dan pusat

dari tiap hypersphere HiLangkah 2 : Indeks untuk tetangga terdekat

Tujuannya adalah untuk menentukan kelas dari data uji

Langkah 2 : Indeks untuk tetangga terdekat

hypersphere Iq dipilih sebagai berikut :

dimana H merupakan total hypersphere, Ri

merupakan radius dari hypersphere Hi


UjiUjiUjiUji cobacobacobacoba

& & & & & & & &

HasilHasilHasilHasil

Page 20

1. Tahap uji coba pertama adalah uji coba algoritma MMC hyperspheredengan melakukan modifikasi data latih dan data uji.Di uji pula keterkaitan fitur DMF, GF, MF dengan correction rate (%).

2. Algoritma MMC akan dibandingkan dengan algoritma lain yaitu k-NN,

SKENARIO UJI COBA

2. Algoritma MMC akan dibandingkan dengan algoritma lain yaitu k-NN,dengan jumlah k adalah 1,3 dan 5.

Skenario Pertama

Hasil Akurasi rata-rata dari algoritma MMC

No Jumlah data training Akurasi (%)

1 10 60.055

2 15 60.74281

3 20 60.64625


3 20 60.64625

4 25 64.495

5 30 61.57281

6 35 63.57625

7 40 65.14531

8 45 62.88719

Skenario Pertama

Hasil Akurasi rata-rata dari algoritma MMC

64

65

66

Akurasi dalam %


57

58

59

60

61

62

63

64

1 2 3 4 5 6 7 8

Akurasi

Percobaan ke

Akurasi dalam %

Skenario Pertama

Hasil akurasi perbandingan fitur-fitur

datatraining DMF GF MF

10 60.055 50.06738 55.47866

15 60.74281 50.06738 58.51687


20 60.64625 57.83424 55.52116

25 64.495 59.43415 57.22833

30 61.57281 60.06341 51.46284

35 63.57625 59.31053 55.31016

40 65.14531 61.32471 57.17414

45 62.88719 59.53584 58.70457

Skenario Pertama

Hasil akurasi perbandingan fitur-fitur

60

70

Correction Rate


0

10

20

30

40

50

10 15 20 25 30 35 40 45

Co

rre

ctio

n r

ate

(%

)

DMF

GF

MF

Skenario Kedua

Hasil perbandingan akurasi MMC, 1-NN, 3-NN, dan 5-NN

Algoritma

datatrain mmc 1nn 3nn 5nn


datatrain mmc 1nn 3nn 5nn

10 60.055 70.47594 68.69938 68.73

20 60.64625 75.27656 72.40656 72.80719

30 61.57281 75.67219 74.50156 73.4475

40 65.14531 78.76781 79.46781 78.3775

Skenario Kedua

Hasil perbandingan akurasi MMC, 1-NN, 3-NN, dan 5-NN

70

80

90

Akurasi(%)


0

10

20

30

40

50

60

70

10 20 30 40

Ak

ura

si (

%)

Data training

mmc

1-nn

3-nn

5-nn

KesimpulanKesimpulanKesimpulanKesimpulan dandandandan SaranSaranSaranSaranKesimpulanKesimpulanKesimpulanKesimpulan dandandandan SaranSaranSaranSaran

Page 28

KESIMPULANKESIMPULAN

Implementasi algoritma MMC untuk klasifikasi pada dataset dari

http:\\flavia.sf.net, hasilnya mendekati hasil dari nearest neighbor, namun

tidak lebih baik. Hasil akurasi rata-rata dari MMC adalah 61,84%, sedangkan

untuk 1-NN, 2-NN, dan 3-NN berturut-turut 75,05%, 73,77%, dan 73,34%.

Implementasi algoritma MMC menghasilkan rata-rata yang terbaik untuk

penggunaan data training sebesar 40 dari masing masing

kelas, menghasilkan akurasi 65,14%.

Fitur DMF yang merupakan gabungan antara GF dan MF merupakan fitur

terbaik untuk diimplemetasikan dalam algoritma MMC, dibandingkan hanya

menggunakan fitur GF ataupun MF saja.


KESIMPULANSARAN

Fitur yang digunakan hanya berupa fitur bentuk daun, sehingga

untuk beberapa kelas yang memiliki bentuk hampir sama

banyak yang mengalami kesalahan dalam klasifikasi sehingga

hasil akurasinya rendah, misalnya untuk spesies phyllestachyshasil akurasinya rendah, misalnya untuk spesies phyllestachys

pubescens dan podocarpus macrophyllus. Implementasi

algoritma MMC Hypersphere untuk dataset citra daun dari

http://flavia.sf.net sebaiknya perlu ada penambahan

fitur, misalnya fitur warna atau fitur tekstur daun.


SELESAI

TERIMA KASIHTERIMA KASIH


Documents

PengenalanSpesiesTanamanBerdasarkanBentuk ...digilib.its.ac.id/public/ITS-paper-27787-5107100156-presentation...• Perimeter ratio of convex hull : perbandingan keliling ROI (keliling