Jurnal Ilmiah ESAI Volume 8, No.3, Juli 2014 ISSN No. 1978-6034 Detecting Resemblance Of Orchid Plant Image Through Support Vector Machine (SVM) Of Kernel Linear Method Deteksi Kemiripan Citra Tanaman Anggrek Menggunakan Metode Support Vector Machine (SVM) Kernel Linear Dewi Kania Widyawati 1) dan Zuriati 2) 1,2)
Staf Pengajar pada Program Studi Manajemen Informatika, Jurusan Ekonomi dan Bisnis, Politeknik Negeri Lampung Abstract The research dealt with detecting resemblance of orchid plant image through Support vector machine (SVM) of Kernel Linear method. With one versus rest modeling, the images were taken by using single type camera Canon S550D. The use of trial data and test data varied into for ratio types namely : 50% trial data - 50% test data , 60% trial data - 40% test data , 70% trial data - 30% test data , and 80% trial data - 20% test data. The extract of texture features was done with combining operator circular neighborhood (8,1) and (8,2) and concatenation done through fuzzyfication. The research aimed to (1) design a program to detect the resemblance of orchid plant image (2) implement Support Vector Machine kernel Linear method with one versus Rest model to identify the image of orchid plants both with and without flowers (3) analyze distribution level of accuracy of the four trial and test data examined from each specimen. (4) Analyze resemblance of orchid plant image through Support Vector Machine kernel Linear with one versus Rest model. The research was carried out through: (1) collecting the image and praposes (2) extracting the textures, (3) classifying the Support Vector Machine kernel Linear, (4) data testing and (5) evaluating classification result. The main target of the research is to find out a system to detect the resemblance of orchid plants both with and without flower. Keywords: circular neighborhood, one versus rest, Support Vector Machine kernel Linear
Pendahuluan Tanaman anggrek merupakan salah satu jenis tanaman yang memiliki nilai estetika dan harga jual yang tinggi terutama pada jenis spesies tanaman anggrek dari hasil persilangan. Negara Indonesia diperkirakan memiliki kurang lebih 6.000 jenis tanaman anggrek yang tersebar di kepulauan Indonesia dan saat ini masih banyak penemuan-penemuan baru dari hasil persilangan (Lestari 2002). Tanaman anggrek tidak hanya diminati oleh para peneliti di bidang botani, tetapi juga banyak diminati oleh masyarakat umum. Semakin bertambahnya spesies dan keanekaragaman tanaman
anggrek dan beberapa tanaman anggrek memiliki
2
kemiripan bentuk menyebabkan proses identifikasi menjadi lebih sulit khususnya untuk masyarakat umum, hal ini dikarenakan proses identifikasi ditentukan dari beberapa faktor diantaranya bentuk dari daun, warna dan tekstur. Oleh karena itu diperlukan suatu sistem otomatis yang dapat mendeteksi tanaman anggrek dengan melihat bentuk fisik dari citra tanaman anggrek tersebut. Sistem otomatis ini dibangun untuk memudahkan pencarian jenis tanaman tersebut. Salah satu cara dalam mengidentifikasi citra dengan menggunakan metode Support Vector Machine Kernel Linear dengan pemodelan one versus rest. Metode ini memiliki kemampuan dalam melakukan klasifikasi dari suatu pattern, faktor yang mempengaruhi kesalahan dalam melakukan generalisasi menurut Vapnik (1995) adalah kesalahan pada saat dilakukan training set, karena strategi pembelajaran yang diterapkan pada umumnya menggunakan metode learning machine. Metode ini difokuskan pada usaha untuk meminimimalkan kesalahan tersebut yang dikenal dengan strategi Empirical Risk Minimization (ERM). Penelitian-penelitian yang berkaitan dengan proses deteksi citra telah dilakukan diantaranya oleh
(Rustam et al. 2003), yaitu dengan melakukan
perbandingan dua metode yaitu metode K-Nearest Neighborhood (KKN) dan Support Vector Machine (SVM) untuk mendeteksi
jenis dan kelas aroma.
Penelitian ini menunjukkan kinerja dari SVM lebih unggul dibandingkan dengan KNN. Percobaan yang dilakukan pada penelitian ini menggunakan data training lebih dari 15 buah per kelas. Penelitian lain dengan melakukan perbandingan kinerja
klasifikasi
telah
dilakukan
oleh
Widyawati
(2012)
dalam
mengidentifikasi tanaman obat dan tanaman hias dengan menggunakan klasifikasi Support Vector Machine (SVM) dan Probabilistic Neural Networks (PNN) dengan menggunakan ekstraksi fitur Fuzzy Local Binary Pattern tanpa dilakukan penggabungan operator. Operator yang digunakan adalah (8,1) dan (8,2). Hasil dari penelitian menunjukkan bahwa klasifikasi SVM lebih baik mengidentifikasi tanaman obat maupun tanaman hias dibandingan klasifikasi PNN. Penelitian melakukan perbandingan ekstraksi fitur telah dilakukan oleh Valerina (2012) dengan membandingkan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk ekstraksi Citra Tumbuhan Obat dan Tanaman Hias, operator yang digunakan adalah (8,1) dan (8,2). Hasil yang diperoleh dari penelitian ini adalah
3
kinerja dari Fuzzy Local Binary Pattern memiliki tingkat akurasi lebih baik dibandingkan Local Binary Pattern. Penelitian dengan melakukan perbandingan klasifikasi juga dilakukan oleh Widyanto dan Fatichah melakukan deteksi
(2008) membandingkan SVM dan Boosting dalam
objek manusia, masing-masing dari metode ini memiliki
keunggulan yang berbeda. Penelitian yang dikembangkan ini menggunakan metode Support Vector Machine Kernel Linear dengan menggunakan pemodelan one versus rest dalam proses klasifikasi per kelas dari masing-masing tanaman anggrek, dan ekstraksi fitur digunakan untuk melakukan penggabungan operator circular neighborhood yang telah di-fuzzy-kan dengan menggunakan perangkaian (concatenation). Penggabungan operator circular neighborhood hanya dilakukan dengan mengunakan ukuran sampling point dan radius yang berbeda yaitu (8,1) dan (8,2). Selain itu, perbandingan data uji dan data latih dikembangkan menjadi beberapa variasi 4 variasi, variasi pertama 50% data latih dan 50 data uji, variasi kedua 60% data latih dan 40% data uji, variasi ketiga 70% data latih dan 30% data uji , variasi keempat 80% data latih dan 20% data uji. Penelitian ini bertujuan untuk (1) design program deteksi kemiripin citra tanaman anggrek, (2) implementasi metode Support Vector Machine kernel Linear dengan pemodelan one versus Rest
dalam mengidentifikasi secara
otomatis citra tanaman anggrek yang sedang berbunga dan tanaman anggrek tanpa bunga dan (3) analisis distribusi tingkat akurasi dan tingkat kemiripan antar kelas dari 4 variasi data latih dan data uji yang diujicobakan dari citra tanaman anggrek yang sedang berbunga dan tanaman anggrek tanpa bunga. Metode Penelitian Pengumpulan Citra dan Praproses Pengumpulan citra tanaman aggrek diperoleh dari hasil pemotretan dengan menggunakan satu jenis kamera yaitu Canon type S550D. Jenis Citra tanaman anggrek yang diambil yaitu citra tanaman anggrek belum berbunga dan tanaman anggrek berbunga masing-masing terdiri dari 10 spesies dengan melakukan pengambilan gambar sebanyak 10 citra dari masing-masing spesies. Pengambilan citra dilakukn dengan beraneka ragam posisi, bertujuan untuk
4
menganalisis seberapa bagusnya kinerja SVM kernel Linear dalam menangkap citra tersebut. Langkah selanjutnya adalah dilakukan perbaikan citra yang diubah kedalam warna abu-abu untuk memasuki tahap berikutnya yaitu ekstraksi. Ekstraksi fitur tekstur Penelitian
ini
menggunakan
penggabungan
dua
ukuran
circular
neighborhood yaitu (8,1) dan (8,2) yang dilakukan fuzzy. Penggabungan kedua operator yang telah di-fuzzy menghasilkan sebuah histogram dengan panjang bin yang merupakan penjumlahan masing-masing bin pada operator (8,1) dan (8,2). Klasifikasi Support Vector Machine (SVM) Kernel Linear Tahap ini menglasifikasi vektor-vektor histogram tersebut dengan SVM. Perbandingan data uji dan data latih yang digunakan dalam penelitian dikembangkan menjadi 4 variasi. Variasi pertama 50% data latih dan 50% data uji, variasi kedua 60% data latih dan 40% data uji, variasi ketiga 70% data latih dan 30% data uji , variasi keempat 80% data latih dan 20% data uji. Fungsi kernel linear nilai parameter C yang diujicobakan adalah [ 212,211, 210,29, ..,2-1, 2-12] Pengujian dengan sistem Tingkat Akurasi salah satu model pengujian data dilakukan dalam mendeteksi kemiripan dari sebuah citra kueri. Dua macam pengujian dilakukan, yaitu pengujian per kelas dan pengujian keseluruhan kelas dari masing-masing spesies tanaman anggrek. Evaluasi hasil klasifikasi untuk tanaman anggrek tanpa bunga dan tanaman anggrek berbunga. Evaluasi kinerja yang dilakukan dengan dua tahap yaitu menggunakan tabel bentuk Confusion Matrix yang bertujuan untuk mengetahui proses deteksi per kelas apakah mengalami penyimpangan ataukah tidak, dan dalam bentuk grafik. Tujuannya adalah untuk mengetahui tingkat akurasi terbaik dari masing-masing data latih dan data uji yang diujikan dengan menggunakan parameter kernel linear terbaik.
5
Hasil dan Pembahasan A. Hasil pengujian deteksi kemiripan bunga anggrek 1. Tingkat akurasi bunga anggrek perbandingan data latih 60% dan data uji 40% Hasil pengujian yang dihasilkan oleh Support Vector Machine (SVM) linear dengan menset nilai kernel menentukan nilai biaya penalty kesalahan yang dapat diminimalkan (C). Nilai C yang diset adalah (20,21,22,…,211) dan (2-1, 2-2, .., ,2-12). Gambar 1 menyajikan tingkat akurasi saat nilai C di set 20,21 sampai 22 memiliki tingkat akurasi 60%, nilai akurasi mulai naik pada C=23 sampai 211 dan mulai mengalami penurunan kembali pada nilai akurasi 60% pada saat dilakukan pengsetan nilai C = 2-1sampai 2-12. Nilai akurasi tertinggi 75% yaitu dimulai dari titik kernel 26 sampai 212.
Perbandingan tingkat akurasi dengan perbandingan
data latih dan data uji (60% dan 40%) disajikan pada Gambar 1.
100 80 60 40 20 0
1 2 4 8 16 32 64 128 256 512 1024 2048 4096 0.5 0.25 0.125 0.0625 0.03125 0.015625 0.00781… 0.00390… 0.00195… 0.00097… 0.00048… 0.00024…
Tingkat Akurasi
Tingkat akuransi perbandingan data latih 60% dan data uji 40%
Nilai Kernel Linear (C)
Gambar 1. Tingkat akurasi bunga anggrek perbandingan data latih 60% dan data uji 40% 2. Evaluasi hasil klasifikasi bunga anggrek perbandingan data latih 60% dan data uji 40% Confusion Matrix
Fungsi Kernel Linear pada saat nilai C=64 (26)
memiliki tingkat akurasi keseluruhan dari 10 kelas yang diujicobakan sebesar 75%. Kemampuan SVM dalam mendeteksi setiap kelas memiliki kemampuan yang berbeda-beda. Penyimpangan-penyimpangan kelas terjadi di beberapa kelas yang disajikan pada pada Tabel 1. Penyebaran tingkat akurasi per kelas pada saat diset nilai kernel 26 atau 64, SVM pada 6 kelas mampu mendeteksi semua data data uji yang diujicobakan
6
sehingga menghasilkan tingkat akurasi 100% yaitu kelas 3, 4, 5, 8, 9 dan 10. Kelas 1 dan 7 mampu mendeteksi masing-masing 75%, kelas 2 dan 6 tidak mampu mendeteksi satupun data uji sehingga tingkat akurasi yang dihasilkan 0%. Tabel 1. Penyimpangan deteksi kemiripan citra bunga anggrek( 60% dan 40%) Kelas Asal
Terdeteksi Pada Kelas
Jumlah Penyimpangan 1 Citra
Kelas 1
Kelas 2
1 Citra Kelas 7
Kelas 3 4 Citra
Kelas 2
Kelas 1 4 Citra
Kelas 6
Kelas 5
3. Tingkat akurasi bunga anggrek perbandingan data latih 70% dan data uji 30% Tingkat akurasi bunga anggrek perbandingan data latih 70% dan data uji 30%
100
Tingkat akuransi perbandingan data latih 70% dan data uji 30%
50 0
1 2 4 8 16 32 64 128 256 512 1024 2048 4096 0.5 0.25 0.125 0.0625 0.03125 0.015… 0.007… 0.003… 0.001… 0.000… 0.000… 0.000…
Tingkat Akurasi
dapat dilihat pada Gambar 2.
Nilai Kernel Linear (C)
Gambar 2. Tingkat akurasi bunga anggrek perbandingan data latih 70% dan data uji 30% Pada Gambar 2 disajikan tingkat akurasi saat nilai C di set 20,21 sampai 23 memiliki tingkat akurasi 63,33%,. Nilai akurasi menurun pada saat diset nilai
7
C = 24 nilai akurasi mulai naik pada saat diset nilai C=25. Saat nilai diset 25 mengalami kenaikan sebesar akurasi 13,33 % dan mengalami kenaikan sebesar 13,33% saat diset nilai C= 27, nilai kernel 256 merupakan titik tertinggi dari tingkat akurasi yag diperoleh dari perbandingan data latih dan data uji (70% dan 30%). Nilai akurasi mengalami penurunan kembali pada saat nilai C di set = 2-1 sampai 2-12 sebanyak 36,33 sehingga diperoleh tingkat akurasi 63,33% . Tingkat akurasi tertinggi 90 % tidak saja dititik kernel 26 akan tetapi saat titik kernel 28 sampai 212 mendapatkan tingkat akurasi 90%. Perbandingan data latih 70% dan datauji 30%, nilai kernel yang dipilih adalah C = 26, hal ini disebabkan nilai pinalty yang dapat diminimalkan pada tingkat terendah yaitu C = 26 4.
.
Evaluasi hasil klasifikasi bunga anggrek perbandingan data latih 70% dan data uji 30% Proses mendektesi setiap citra pada setiap
kelas
mengalami tingkat
akurasi yang berbeda-beda dan mengalami penyimpangan pada 3 kelas. Kelaskelas yang mengalami peyimpangan adalah kelas 2, kelas 5 dan kelas 7. Kelaskelas yang terdeteksi pada kelas lain disajikan pada pada Tabel 2. Tabel 2. Penyimpangan deteksi kemiripan citra bunga anggrek ( 60% dan 40%) Kelas Asal
Terdeteksi Pada Kelas
Jumlah Penyimpangan 1 Citra
Kelas 3
Kelas 7 1 Citra
Kelas 2
Kelas 1
Kelas 5
Kelas 6
1 Citra Perbandingan tingkat akurasi pada saat perbandingan data latih dan data uji (70% dan 30%), SVM semua kelas dapat dideteksi dengan kemampuan deteksi yang berbeda-beda. Kemampuan mendeteksi semua data uji terdapat pada kelas1, 3, 4, 6, 8, 9 dan kelas 10 sehingga menghasilkan tingkat akurasi sebesar
8
100%. Kelas 2,5 dan kelas 7 mampu mendeteksi data uji sebesar 66,66% , masing-masing kelas tidak mampu mendeteksi 1 data uji.
5. Tingkat akurasi bunga anggrek perbandingan data latih 80% dan data uji 20% Perbandingan data latih dan data uji (80% dan 20%), pada saat diset nilai kernel yang sama penyebaran tingkat akurasi mencapai titik akurasi setiap kernel 80% ke atas. Nilai akurasi tertinggi terletak pada nilai C = 16, 32, 128, 256, 512, 1024, 2048 dan 4096 dengan tingkat akurasi 85%, grafik tingkat akurasi nilai kernel linear C disajikan pada Gambar 3. Tingkat Akuransi Perbandingan Data Latih 80% dan Data Uji 20%
Tingkat Akurasi
100 50 0
Nilai Kernel Linear (C)
Gambar 3. Tingkat akurasi bunga anggrek perbandingan data latih 80% dan data uji 20% 6.
Evaluasi hasil klasifikasi bunga anggrek perbandingan data latih 80% dan data uji 20% Nilai akurasi setiap kelas pada titik kernel C= 16 hanya satu kelas yang
tidak mampu dideteksi oleh support vector kernel linear yaitu pada kelas 6, semua data uji pada kelas 6 ini terdeteksi pada kelas 5. Kelas 2 terjadi penyimpangan deteksi satu citra pada kelas 1, penyimpangan- penyimpangan kelas yang terjadi untuk perbandingan data latih dan data uji sebesar 80% dan 20% disajikan pada Tabel 3. Tabel 3. Penyimpangan deteksi kemiripan citra bunga anggrek ( 80% dan 20%) Kelas Asal Terdeteksi Pada Kelas Jumlah Penyimpangan 1 Citra Kelas 2
Kelas 1
9
2 Citra Kelas 6
7.
Kelas 5
Tingkat akurasi bunga anggrek perbandingan data latih 50% dan data uji 50% Nilai akurasi yang dihasilkan dengan menggunakan uji coba data latih dan
data uji pada presentase sama yaitu 50% , tingkat akurasi yang dihasilkan terendah pada titik kernel C (20,21,22,…,211) dan (2-1, 2-2, .., ,2-12) dengan tingkat akurasi 42%. Pada saat nilai C di set 24 nilai akurasi mengalami kenaikan 6% dan mengalami kenaikan kembali sebesar 10% pada nilai C mencapai titik 25, nilai akurasi tertinggi pada perbandingan data latih dan data uji dengan prosentasi sama sebesar 62% pada titik C = (27, 28, 29, 2110, 211, 212), tingkat akurasi disajikan
100
Tingkat akuransi perbandingan data latih 50% dan data uji 50%
50 0
1 2 4 8 16 32 64 128 256 512 1024 2048 4096 0.5 0.25 0.125 0.0625 0.03125 0.015625 0.0078… 0.0039… 0.0019… 0.0009… 0.0004…
Tingkat Akurasi
pada Gambar 4.
Nilai Kernel Linear (C)
Gambar 4. Tingkat akurasi bunga anggrek perbandingan data latih 50% dan data uji 50% 8. Evaluasi hasil klasifikasi bunga anggrek perbandingan data latih 50% dan data uji 50% Tingkat akurasi per kelas untuk presentase data latih dan data uji sama yaitu 50% yang digunakan adalah yang memiliki tingkat akurasi tertinggi dengan nilai pinalty terendah yaitu 27 atau 128. B. Hasil pengujian deteksi kemiripan daun anggrek 1. Tingkat akurasi daun anggrek perbandingan data latih 60% dan data uji 40% Tingkat akurasi untuk citra daun anggrek tanpa bunga pada data latih dan data uji dengan perbandingan 60% dan 40% saat diberi perlakuan nilai parameter
10
kernel sebesar (20,21,22,…,211) dan (2-1, 2-2, .., ,2-12). memiliki tingkat akurasi di bawah 53%, nilai akurasi tertinggi pada parameter kernel 27,28,29,212 sebesar 52,5%, distribusi tingkat akurasi perilaku kernel
yaitu
untuk deteksi daun
anggrek disajikan pada Gambar 5 .
1 2 4 8 16 32 64 128 256 512 1024 2048 4096 0.5 0.25 0.125 0.0625 0.03125 0.015625 0.0078125 0.003906… 0.001953… 0.000976… 0.000488… 0.000244…
100 80 60 40 20 0
TINGKAT AKURASI DETEKSI DAUN ANGGREK PERBANDINGAN DATA LATIH (60%) DAN UJI (40%)
NILAI PARAMETER KERNEL LINEAR
Gambar 5. Tingkat daun anggrek perbandingan data latih 60% dan data uji 40% 2. Evaluasi hasil klasifikasi daun anggrek perbandingan data latih 60% dan data uji 40% Presentase akurasi per kelas yang dihasilkan dengan perbandingan data latih dan data uji ini diambil untuk parameter C yang memiliki tingkat akurasi tertinggi, tetapi nilai parameter C yang dipilih yaitu 27 atau 128, nilai akurasi per kelas disajikan pada Gambar 6. Nilai kernel 128 deteksi daun anggrek perbandingan data latih 60% dan data uji 40%
AKURASI
100 50 0 1
2
3
4
5
6
7
8
9
10
KELAS
Gambar 6. Tingkat akurasi deteksi daun anggrek perkelas perbandingan data latih 60% dan data uji 40% pada nilai fungsi Kernel C= 128 3.
Tingkat akurasi daun anggrek perbandingan data latih 70% dan data uji 30% Citra daun anggrek tanpa bunga perbandingan 60% dan 40% untuk data
latih dan data uji pada saat perilaku nilai parameter kernel
sebesar (20, 21,
11
22,…,211) dan (2-1, 2-2, .., ,2-12) memiliki tingkat akurasi tertinggi 60%, dan nilai akurasi terendah 43,33% , nilai akurasi tertinggi terletak pada nilai C 25,..,212 dan nilai terendah pada nilai 20,..22, 2-1,..2-12 penyebaran disajikan pada Gambar 7.
100 80 60 40 20 0
1 2 4 8 16 32 64 128 256 512 1024 2048 4096 0.5 0.25 0.125 0.0625 0.03125 0.015625 0.0078125 0.00390625 0.0019531… 0.0009765… 0.0004882… 0.0002441…
Tingkat akurasi deteksi daun anggrek perbandingan data latih (70%) dan uji (30%)
Nilai parameter Kernel Linear
Gambar 7. Tingkat akurasi daun anggrek perbandingan data latih 70% dan data uji 30% 4.
Evaluasi hasil klasifikasi daun anggrek perbandingan data latih 70% dan data uji 30% Confusion Matrix untuk perbandingan data latih dan data uji ini, terdapat
4 kelas yang mampu mendeteksi 100% data uji, yaitu kelas 2,4,5, dan kelas 10. Kelas 8 dan kelas 9 tidak mampu mendeteksi satu pun data uji, kelas ini meyimpang semua pada kelas 10. 5.
Tingkat akurasi daun anggrek perbandingan data latih 80% dan data uji 20% Perbandingan 80% dan 20% untuk data
latih dan data uji pada saat
perilaku nilai parameter kernel sebesar (20,21,22,…,211) dan (2-1, 2-2, .., ,2-12) pada citra daun anggrek tanpa bunga memiliki tingkat akurasi tertinggi 60%, dan nilai akurasi terendah 40% , nilai akurasi tertinggi terletak pada nilai C =23,..,25 , 27,..212 dan nilai terendah pada nilai 20,21, 2-1,..2-12 . Tingkat akurasi dapat dilihat pada Gambar 8.
12
Tingkat akurasi deteksi daun anggrek perbandingan data latih (80%) dan uji (20%)
100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Nilai parameter Kernel Linear
Gambar 8. Tingkat akurasi daun anggrek perbandingan data latih 80% dan data uji 20% 6. Evaluasi hasil klasifikasi daun anggrek perbandingan data latih 80% dan data uji 20% Confusion Matrix untuk perbandingan data latih dan data uji ini dengan perbandingan 80% dan 20% , terdapat satu kelas yang tidak mampu mendeteksi data uji, yaitu kelas 6, karena kelas penyimpang semua ke dalam kelas 4. Kelas 2, 3, 4, 5, dan kelas 10 mampu mendeteksi semua data uji, Distribusi per kelas disajikan pada Gambar 9.
Nilai kernel 8 deteksi daun anggrek perbandingan data latih 80% dan data uji 20%
AKURASI
100 50 0 1
2
3
4
5
6
7
8
9
10
KELAS
Gambar 9. Tingkat akurasi daun perbandingan data latih 80% dan data uji 20% pada Nilai C = 23 7.
Tingkat akurasi daun anggrek perbandingan data latih 50% dan data uji 50% Hasil akurasi dengan uji coba data latih dan data uji (50% dan 50%),
memiliki tingkat akurasi untuk setiap nilai kernel linear dibawah 50%, tingkat akurasi tertingg mencapai nilai 46%. Tingkat akurasi terendah yang dihasilkan adalah 36%, penyebaran tingkat akurasi disajikan pada Gambar 10.
13
100 80 60 40 20 0
1 2 4 8 16 32 64 128 256 512 1024 2048 4096 0.5 0.25 0.125 0.0625 0.03125 0.015625 0.0078… 0.0039… 0.0019… 0.0009… 0.0004… 0.0002…
Tingkat akurasi deteksi daun anggrek perbandingan data latih (50%) dan uji (50%)
Nilai parameter Kernel Linear
Gambar 10. Tingkat akurasi daun anggrek perbandingan data latih 50% dan data uji 50% 8.
Evaluasi hasil klasifikasi daun anggrek perbandingan data latih 50% dan data uji 50% Distribusi per kelas untuk data latih dan data uji hanya satu kelas yang
mampu mendeteksi 100% data uji yaitu pada kelas 10, disajikan pada Gambar 11. Deteksi daun anggrek perbandingan data latih 50% dan data uji 50%
100 80 60 40 20 0
1
2
3
4
5
6
7
8
9
10
KELAS
Gambar 11. Tingkat akurasi daun perbandingan data latih 50% dan data uji 50% pada Nilai C = 23 Kesimpulan dan Saran Kesimpulan Kesimpulan dari penelitian ini adalah: 1. Design program untuk mendeteksi kemiripan citra tanaman anggrek yang sedang berbunga maupun tanpa berbunga telah dibuat dengan menggunakan software Library OpenCv 2.1, Visual C++ dan Microsoft Visual Studio 2010. 2. Metode Support Vector Machine kernel Linear dengan pemodelan one versus Rest
dapat mengidentifikasi secara otomatis citra tanaman anggrek yang
sedang berbunga dan tanaman anggrek tanpa bunga.
14
3. Citra tanaman anggrek yang sedang berbunga memiliki tingkat akurasi dan kemiripan lebih baik dibandingkan tanaman anggrek tanpa bunga.
Saran 1.
Sebagai perbandingan dalam mendeteksi kemiripan citra sebaiknya pada penelitian selanjutnya menggunakan metode support vector machine dengan kernel radian basis dan polynomial
2. Citra Daun Anggrek dan Bunga Anggrek di perbanyak sehingga memperkaya database yang bunga anggrek.
Daftar Pustaka Lestari S. 2002. Mengenal dan Bertanam Anggrek. Semarang : Aneka Ilmu. Rustam Z, Kusumoputro B, dan Widjaya B. 2003. Pendekatan Jenis dan Kelas Aroma dengan Menggunakan Metode One Vs One dan Metode One Vs Rest. Jurnal Makara, Sains . Vol.7 No.3. Hal 15-25. Valerina Fani 2012 . Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat dan Tanaman Hias [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Intitut Pertanian Bogor. Vapnik V, Cortes C. 1995. Support-Vector Networks. http://www.springerlink.com/content/w08253ul7m3780v8/fulltext.pdf [3 Februari 2011]. Widyanto MR, Fatichah C. 2008. Studi Analisis Metode Support Vector Mechine dan Boosting untuk deteksi Objek Manusia. Jurnal Teknologi dan Manajemen Informatika 6 : Hal 161-170. Widyawati Dewi Kania 2012 . Analisis Kinerja Support Vector Machine (SVM) dan Probabilistic Neural Network (PNN) pada identifikasi tumbuhan obat dan tanaman hias Berbasis Citra [tesis]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Pascasarjanan Intitut Pertanian Bogor.