MUTS

A. Latar Belakang

Indonesia merupakan salah satu negara dengan keanekaragaman tanaman yang cukup tinggi. Keanekaragaman tanaman tersebut merupakan satu tantangan dalam melakukan identifikasi. Identifikasi tanaman dapat dilakukan berdasarkan buah, bunga, maupun daun. Identifikasi berdasarkan daun merupakan identifikasi yang lebih mudah dilakukan karena daun akan ada sepanjang masa, sedangkan buah dan bunga hanya ada pada waktu tertentu.

B. Rumusan Masalah

Permasalahan yang diangkat pada penelitian ini dititik beratkan pada pengklasifikasian daun menggunakan algoritma Jaringan Syaraf Tiruan.
 
C. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk melakukan klasifikasi citra daun menggunakan algoritma Jaringan Syaraf Tiruan.
 
D. Tinjauan Pustaka

A. Segmentasi Citra

Dalam pengolahan citra, terkadang kita menginginkan pengolahan hanya pada obyek tertentu. Oleh sebab itu, perlu dilakukan proses segmentasi citra yang bertujuan untuk memisahkan antara objek (foreground) dengan background. Pada umumnya keluaran hasil segmentasi citra adalah berupa citra biner di mana objek (foreground) yang dikehendaki berwarna putih (1), sedangkan background yang ingin dihilangkan berwarna hitam (0). Sama halnya pada proses perbaikan kualitas citra, proses segmentasi citra juga bersifat eksperimental, subjektif, dan bergantung pada tujuan yang hendak dicapai.

Beberapa metode segmentasi citra diantaranya adalah:
1. Thresholding
2. Active Contour
3. Segmentasi Warna berdasarkan komponen Hue
4. Deteksi Tepi
5. Watershed
6. Transformasi Hough

Segmentasi citra merupakan tahapan penting dalam proses pengenalan pola. Setelah objek berhasil tersegmentasi, maka kita dapat melakukan proses ekstraksi ciri citra. Ekstraksi ciri merupakan tahapan yang bertujuan untuk mengekstrak ciri dari suatu objek di mana ciri tersebut digunakan untuk membedakan antara objek satu dengan objek lainnya.

B. Metode Thresholding 

Pada penelitian ini metode segmentasi citra yang digunakan adalah Thresholding. Thresholding merupakan salah satu metode segmentasi citra di mana prosesnya didasarkan pada perbedaan derajat keabuan citra. Dalam proses ini dibutuhkan suatu nilai batas yang disebut nilai threshold. Nilai intensitas citra yang lebih dari atau sama dengan nilai threshold akan diubah menjadi putih (1) sedangkan nilai intensitas citra yang kurang dari nilai threshold akan diubah menjadi hitam (0). Sehingga keluaran dari hasil thresholding adalah berupa citra biner.

C. Operasi Morfologi Citra

Operasi morfologi citra merupakan suatu proses yang bertujuan untuk mengubah bentuk objek pada citra asli. Proses tersebut dapat dilakukan pada citra grayscale maupun citra biner.

Jenis-jenis operasi morfologi di antaranya adalah dilasi, erosi, closing, dan opening. Secara berurutan, persamaan yang digunakan untuk masing-masing operasi yaitu:

di mana A adalah citra asli dan B adalah structuring element. Structuring element merupakan matriks operator yang dapat berbentuk garis, persegi, disk, diamond, dll.

D. Esktraksi Ciri Citra

Ekstraksi ciri citra merupakan tahapan mengekstrak ciri/informasi dari objek di dalam citra yang ingin dikenali/dibedakan dengan objek lainnya.

Ciri yang telah diekstrak kemudian digunakan sebagai parameter/nilai masukan untuk membedakan antara objek satu dengan lainnya pada tahapan identifikasi/ klasifikasi.

Ciri yang umumnya diekstrak antara lain:

1. Ekstraksi Ciri Bentuk
Untuk membedakan bentuk objek satu dengan objek lainnya, dapat menggunakan parameter yang disebut dengan ‘eccentricity’. Eccentricity merupakan nilai perbandingan antara jarak foci ellips minor dengan foci ellips mayor suatu objek. Eccentricity memiliki rentang nilai antara 0 hingga 1. Objek yang berbentuk memanjang/mendekati bentuk garis lurus, nilai eccentricitynya mendekati angka 1, sedangkan objek yang berbentuk bulat/lingkaran, nilai eccentricitynya mendekati angka 0. Penghitungan eccentricity diilustrasikan pada gambar di bawah ini:

Parameter lainnya yang dapat digunakan untuk membedakan bentuk suatu objek yaitu ‘metric’. Metric merupakan nilai perbandingan antara luas  dan keliling objek. Metric memiliki rentang nilai antara 0 hingga 1. Objek yang berbentuk memanjang/mendekati bentuk garis lurus, nilai metricnya mendekati angka 0, sedangkan objek yang berbentuk bulat/lingkaran, nilai metricnya mendekati angka 1. Penghitungan metric diilustrasikan pada gambar di bawah ini:

2. Ekstraksi Ciri Ukuran
Untuk membedakan ukuran objek satu dengan objek lainnya dapat menggunakan parameter luas dan keliling. Luas merupakan banyaknya piksel yang menyusun suatu objek. Sedangkan keliling merupakan banyaknya piksel yang mengelilingi suatu objek.

3. Ekstraksi Ciri Geometri
Ciri geometri merupakan ciri yang didasarkan pada hubungan antara dua buah titik, garis, atau bidang dalam citra digital. Ciri geometri di antaranya adalah jarak dan sudut. Jarak antara dua buah titik (dengan satuan piksel) dapat ditentukan menggunakan persamaan euclidean, minkowski, manhattan, dll. Jarak dengan satuan piksel tersebut dapat dikonversi menjadi satuan panjang seperti milimeter, centimeter, meter, dll dengan cara membaginya dengan resolusi spasial. Sedangkan sudut antara dua buah garis dapat ditentukan dengan perhitungan trigonometri maupun dengan analisis vektor.

4. Ekstraksi Ciri Tekstur
Untuk membedakan tekstur objek satu dengan objek lainnya dapat menggunakan ciri statistik orde pertama atau ciri statistik orde dua. Ciri orde pertama didasarkan pada karakteristik histogram citra. Ciri orde pertama umumnya digunakan untuk membedakan tekstur makrostruktur (perulangan pola lokal secara periodik). Ciri orde pertama antara lain: mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde dua didasarkan pada probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Ciri orde dua umumnya digunakan untuk membedakan tekstur mikrostruktur (pola lokal dan perulangan tidak begitu jelas). Ciri orde dua antara lain: Angular Second Moment, Contrast, Correlation, Variance, Inverse Different Moment, dan Entropy.
Analisis tekstur juga dapat dilakukan dalam domain frekuensi antara lain menggunakan filter bank gabor.

5. Ekstraksi Ciri Warna
Untuk membedakan suatu objek dengan warna tertentu dapat menggunakan nilai hue yang merupakan representasi dari cahaya tampak (merah, jingga, kuning, hijau, biru, ungu). Nilai hue dapat dikombinasikan dengan nilai saturation dan value yang merupakan tingkat kecerahan suatu warna. Untuk mendapatkan ketiga nilai tersebut, perlu dilakukan konversi ruang warna citra yang semula RGB (Red, Green, Blue) menjadi HSV (Hue, Saturation, Value) melalui persamaan berikut:

R‘ = R/255
G‘ = G/255
B‘ = B/255

Cmax = max(R‘, G‘, B‘)
Cmin = min(R‘, G‘, B‘)
Δ = Cmax – Cmin

 Perhitungan nilai Hue:

Perhitungan nilai Saturation:

Perhitungan nilai Value:

V = Cmax

sehingga ruang warna citra yang semula berbentuk kubus berubah bentuk menjadi kerucut

rgb colorspace

hsv colorspace

Ekstraksi ciri citra merupakan tahapan penting dalam bidang computer vision (pengolahan citra dan pengenalan pola).

Beberapa hal yang perlu diperhatikan dalam memilih ciri yang tepat yang akan digunakan sebagai masukan pada tahapan klasifikasi citra antara lain:
1. Secara visual (penglihatan manusia), ciri apakah yang membedakan antara kelas satu dengan kelas lainnya?
2. Domain apakah yang akan kita gunakan untuk mengekstrak ciri tersebut? (domain spasial atau domain frekuensi?)
3. Parameter apa sajakah yang akan dipilih untuk mewakili ciri tersebut?
4. Berapa jumlah parameter yang akan kita gunakan?
5. Ciri lain apakah yang memungkinkan untuk kita kombinasikan?

Tidak mungkin apabila ciri yang kita gunakan adalah jumlah mata, jumlah telinga, maupun jumlah hidung karena antara wajah satu dengan yang lain jumlah organ-organ tersebut adalah sama.

Oleh karena itu, ciri yang memungkinkan antara lain warna kulit, tekstur wajah, geometri wajah (jarak antara mata kiri dengan mata kanan, jarak antara mata kanan/kiri dengan hidung, jarak antara mata kanan/kiri dengan mulut, jarak antara hidung dengan mulut, dsb).

Kita dapat memilih salah satu ataupun mengkombinasikan ciri-ciri tersebut. Proses pengenalan wajah yang baik adalah proses pengenalan yang menghasilkan akurasi yang tinggi dengan jumlah ciri seminimal mungkin agar dapat menghemat proses komputasi.

Pemilihan ciri terbaik dengan jumlah seminimal mungkin dapat dilakukan pada tahapan feature selection dengan menggunakan beberapa algoritma dalam machine learning dan data mining.

E. Metode Penelitian

Citra daun dikelompokkan ke dalam 4 kelas spesies yaitu Bougainvillea sp, Geranium sp, Magnolia soulangeana, dan Pinus sp. Pada contoh ini digunakan 40 citra daun yang terdiri dari 10 citra pada
masing-masing kelas. Contoh dari citra daun yang digunakan ditunjukkan pada gambar di bawah ini:

Langkah-langkah pemrogramannya adalah sebagai berikut:

1. Mempersiapkan citra latih dan citra uji. Pada contoh ini 40 citra daun dibagi menjadi dua bagian yaitu 24 citra untuk citra latih dan 16 citra untuk citra uji.

a. Citra latih berjumlah 24 citra yang terdiri dari 6 citra pada masing-masing kelas

b. Citra uji berjumlah 16 citra yang terdiri dari 4 citra pada masing-masing kelas

2. Melakukan pelatihan jaringan dengan tahapan-tahapan sebagai berikut:
a. Membaca citra latih
b. Segmentasi citra dengan metode thresholding pada kanal merah
c. Operasi morfologi untuk memperbaiki hasil segmentasi
d. Ekstraksi ciri bentuk berdasarkan parameter metric dan eccentricity
e. Menetapkan target latih (kelas Bougainvillea sp disimbolkan dengan angka 1, kelas Geranium sp dengan angka 2, kelas Magnolia soulangeana dengan angka 3, dan kelas Pinus sp dengan angka 4)
f. Membangun arsitektur jaringan syaraf tiruan propagasi balik
g. Melatih jaringan dengan hasil ekstraksi ciri sebagai masukannya
h. Menghitung akurasi hasil pelatihan

Salah satu tampilan citra hasil pengolahan ditunjukkan pada gambar di bawah ini:

3. Melakukan pengujian jaringan dengan tahapan-tahapan sebagai berikut:
a. Membaca citra uji
b. Segmentasi citra dengan metode thresholding pada kanal merah
c. Operasi morfologi untuk memperbaiki hasil segmentasi
d. Ekstraksi ciri bentuk berdasarkan parameter metric dan eccentricity
e. Menetapkan target uji (kelas Bougainvillea sp disimbolkan dengan angka 1, kelas Geranium sp dengan angka 2, kelas Magnolia soulangeana dengan angka 3, dan kelas Pinus sp dengan angka 4)
f. Memanggil jaringan syaraf tiruan propagasi balik yang telah dibuat pada proses pelatihan
g. Menguji jaringan dengan hasil ekstraksi ciri sebagai masukannya
h. Menghitung akurasi hasil pengujian

4. Membuat tampilan GUI Matlab
F. Kesimpulan

Akurasi yang dihasilkan sistem dalam proses pelatihan adalah 24/24*100% = 100%. Akurasi yang dihasilkan jaringan dalam proses pengujian adalah sebesar 15/16*100% = 93,75%. Akurasi yang dihasilkan sistem baik pada proses pelatihan maupun pengujian menunjukkan bahwa metode yang digunakan dapat mengklasifikasikan citra daun dengan baik.