EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN
ANNISA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 i
EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN
ANNISA
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 ii
ABSTRACT ANNISA. Morphology and Texture Features Extraction for Leaf Sheet Image Retrieval. Under the supervision of SONY HARTONO WIJAYA and IWAN HILWAN.
In the biology and forestry science, there are many kinds of leaves with different features. It causes difficulty to make leaf identification. Colour feature is not too significantly different because generally they are green. So, the primary leaf identification depends on morphology and texture feature. The two of them makes leaf identification more accurate. But, the combination makes some varies. A lot of people even the scientist are difficult to recognize the leaf, especially in leaf image. The reason to make feature extraction automatically by computer will be used for leaf content based image retrieval. This research started with collected leaf images by taking some pictures of them with digital camera. The collected location was Bogor Agricultural University Darmaga area. Eleven kinds of fruit tree leaves were photoing, one hundred pictures for each kind. So, there are eleven classes of leaf on database. The next step was cleaning the images. Background images were cleaned to get white background. After that, Digital Morphological Features Extraction was used to extract the shape features and Cooccurrence Matrix for texture features. Three primary features of shape are extracted and calculated it to get three derivative features. Meanwhile, seven features of texture are extracted with Coocurrence Matrix. Those features were combined with Bayesian Network Model to improve content based image retrieval. Generally, Bayesian Network Model increases precision value of image retrieval. Average precision value for Bayesian Network Model on all class is 0.2733. This is the highest value. Average precision value using texture feature on all class is 0.2722. Then, average precision value using shape feature on all classes is 0.2531. This is the lowest value.
Keyword : Content Based Image Retrieval (CBIR), feature extraction, Morphological Features Extraction, Co-occurrence Matrix, Bayesian Netrwork Model. influenced statistic hipotesis test. Chi-square test is implemented for nominal attributes whereas Spearman Rank Correlation Coeficient test is used for selecting the numerical attribute. The result of this research is a classifier with accuracy 52.97%. Keywords: classification, k-nearest neighbor
iii
Judul Nama NIM
: Ekstraksi Ciri Morfologi dan Tekstur untuk Temu Kembali Citra Helai Daun : Annisa : G64052239
Menyetujui:
Pembimbing 1,
Pembimbing 2,
Sony Hartono Wijaya, M.Kom NIP 19810809 200812 1 002
Ir. Iwan Hilwan, M. S NIP 19600204 198601 1 002
Mengetahui Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. Drh. Hasim, DEA NIP 19610328 198601 1 002
Tanggal Lulus:
iv
PRAKATA Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas limpahan rahmat dan hidayah-Nya sehingga skripsi dengan judul Ekstraksi Ciri Morfologi dan Tekstur untuk Temu Kembali Citra Helai Daun dapat diselesaikan. Penelitian ini dilaksanakan mulai November 2008 sampai dengan Juli 2009, bertempat di Departemen Ilmu Komputer. Selama pelaksanaan skripsi ini, penulis banyak mendapatkan bantuan dari berbagai pihak. Oleh karena itu, dengan segala kerendahan hati, penulis menyampaikan rasa terima kasih kepada: 1.
Papa dan mama yang selalu memberikan dukungan dan doa yang tidak terputus bagi penulis. Erica, terima kasih karena telah mengingatkan penulis untuk segera menyelesaikan skripsi dengan sindiran halusnya. Shelly dan Chika, yang selalu memberikan semangat.
2.
Bapak Sony Hartono Wijaya, M. Kom selaku pembimbing pertama yang telah memberikan bimbingan dan arahan bagi penulis selama penulis menjadi mahasiswa. Maaf atas segala kekhilafan yang telah banyak penulis lakukan dan terima kasih atas segala saran yang telah diberikan.
3.
Bapak Ir. Iwan Hilwan, M.S yang telah bersedia menjadi pembimbing kedua. Terima kasih atas semua penjelasan tentang daun, saran dan bimbingannya selama pengerjaan skripsi ini. Mohon maaf atas segala kekhilafan penulis baik yang disengaja maupun tidak disengaja.
4.
Ibu Yeni Herdiyeni, S. Si, M. Kom yang telah bersedia menjadi dosen penguji. Terima kasih atas saran, kritikan dan bimbingannya kepada penulis.
5.
Teman-teman satu bimbingan, Ida dan Siti, terima kasih atas diskusi-diskusi dalam pengerjaan skripsi ini. Indah dan Desca terima kasih atas semangat dan dukungannya.
6.
Dhani, terima kasih atas bantuannya dalam pengumpulan data dan pemahaman metode. Vera, Fitri, Ferry, Indra, Rafdi, Dimas, dan teman-teman lainnya di Lab CI, terima kasih atas dukungannya.
7.
Andhica ‘Chika’, Karina, Tara, dan Windy, terima kasih telah mengingatkan untuk segera menyelesaikan skripsi dan atas dukungan dan semangatnya. Netty, terima kasih atas pinjaman kameranya. Tanpa itu penulis akan kesulitan dalam pengumpulan data. Sutanto, terima kasih atas pinjaman komputernya. Ini sangat membantu penulis dalam penyusunan skripsi.
8.
Teman-teman di Wisma Cantik, Dieta, Mila, Resna, Dina, Try, Esti, dan Dewi, terima kasih atas kebersaman dan semua cerita, canda serta tawanya. Maaf atas segala kekhilafan dan keegoisan yang penulis lakukan selama ini.
9.
Teman berbagi suka duka, Irna, Bayu, Hario, Julian, terima kasih selalu bersedia mendengar keluh kesah penulis, saling memberi dukungan dan semangat, baik langsung maupun tidak langsung. Semoga impian kita bisa terwujud.
10. Teman-teman Ilmu Komputer 42 lainnya, yang telah membantu baik dalam penelitian hingga penyusunan skripsi ini. Penulis menyadari dengan sepenuhnya bahwa masih banyak terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini dapat berguna bagi siapa pun yang membacanya.
Bogor, Agustus 2009
Annisa
ii
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 19 September 1987 sebagai anak pertama dari empat bersaudara dari pasangan M. Ali Akbar dan Sumiyati. Penulis menyelesaikan pendidikan menengah atas di SMAN 3 Jakarta pada tahun 2005. Pada tahun yang sama penulis diterima sebagai mahasiswa Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI). Setelah menyelesaikan Tingkat Persiapan Bersama pada tingkat 1, tahun 2006 penulis diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB. Pada tahun 2008, selama dua bulan penulis melaksanakan praktik kerja lapangan di Balai Besar Industri Agro.
iii
DAFTAR ISI Halaman DAFTAR TABEL ............................................................................................................................ v DAFTAR GAMBAR........................................................................................................................ v DAFTAR LAMPIRAN..................................................................................................................... v PENDAHULUAN Latar Belakang........................................................................................................................... 1 Tujuan........................................................................................................................................ 1 Ruang Lingkup .......................................................................................................................... 1 TINJAUAN PUSTAKA Daun ......................................................................................................................................... 1 Content Based Image Retrieval (CBIR) .................................................................................... 1 Ekstraksi Ciri ............................................................................................................................. 2 Ekstraksi Ciri Morfologi............................................................................................................ 2 Co-occurrence Matrix ............................................................................................................... 4 Recall dan Precision .................................................................................................................. 5 METODE PENELITIAN Data ......................................................................................................................................... 5 Praproses.................................................................................................................................... 5 Ekstraksi Ciri ............................................................................................................................. 5 Pengukuran Kemiripan .............................................................................................................. 6 Evaluasi Temu Kembali Citra.................................................................................................... 6 Perangkat Keras dan Perangkat Lunak ...................................................................................... 6 HASIL DAN PEMBAHASAN Data ......................................................................................................................................... 6 Praproses.................................................................................................................................... 6 Hasil Ekstraksi Ciri.................................................................................................................... 6 Hasil Temu Kembali.................................................................................................................. 7 Evaluasi Temu Kembali Citra.................................................................................................... 7 KESIMPULAN DAN SARAN Kesimpulan................................................................................................................................ 9 Saran ......................................................................................................................................... 9 DAFTAR PUSTAKA ..................................................................................................................... 12 LAMPIRAN ................................................................................................................................... 13
iv
DAFTAR TABEL Halaman 1 2 3 4
Perbandingan Nilai Recall Precision pada Kelas Jamblang ...................................................... 8 Perbandingan Nilai Recall Precision pada Kelas Jambu Biji ................................................... 8 Perbandingan Nilai Recall Precision pada Kelas Manggis ....................................................... 8 Perbandingan Rata-Rata Nilai Recall Precision Menggunakan Ciri Morfologi, Tekstur dan Model Bayesian Network........................................................................................................... 9
DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9
10 11 12 13 14 15
Diagram CBIR ......................................................................................................................... 2 Diameter Helai Daun ................................................................................................................. 2 Hubungan Antara Physiological Length dan Physiological Width ........................................... 2 Leaf Area ................................................................................................................................... 2 Leaf Perimeter ........................................................................................................................... 3 Aspect Ratio .............................................................................................................................. 3 Representasi Co-occurrence Matrix ......................................................................................... 4 Metodologi Penelitian .............................................................................................................. 5 a Citra RGB Sebelum Dibersihkan ........................................................................................... 6 b Citra RGB Setelah Dibersihkan ............................................................................................. 6 c Citra Grayscale ...................................................................................................................... 6 d Citra Biner ............................................................................................................................. 6 e Citra Setelah Noise Dihilangkan ............................................................................................ 6 Hasil Ekstraksi Ciri Morfologi dan Tekstur .............................................................................. 7 Hasil Temu Kembali Menggunakan Penciri Morfologi. ........................................................... 9 Hasil Temu Kembali Menggunakan Penciri Tekstur .............................................................. 10 Hasil Temu Kembali Menggunakan Model Bayesian Network .............................................. 10 Grafik Recall Precision untuk Semua Kelas Menggunakan Model Bayesian Network .......... 11 Grafik Recall Precision Menggunakan Ciri Morfologi, Tekstur dan Model Bayesian Network................................................................................................................................... 11
DAFTAR LAMPIRAN Halaman 1 2 3
Nilai Recall Precision Temu Kembali Citra Menggunakan Ciri Tekstur untuk Beberapa Jumlah Level Keabuan............................................................................................................. 14 Contoh Citra yang Digunakan untuk Masing-Masing Kelas ................................................... 16 Perbandingan Nilai Precision pada Masing-Masing Kelas ..................................................... 17
v
PENDAHULUAN Latar Belakang Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak jenis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan helai daun. Ciri warna untuk daun tidak terlalu menonjol karena secara umum warna daun adalah hijau. Oleh karena itu, identifikasi daun yang paling utama dilihat dari ciri morfologi dan ciri teksturnya. Gabungan kedua penciri tersebut membuat identifikasi daun menjadi lebih akurat. Namun gabungan ciri morfologi dan ciri tekstur juga banyak jenisnya sehingga banyak orang bahkan ahli sekalipun kesulitan dalam melakukan pengenalan daun, apalagi dalam bentuk citra. Karena itulah dilakukan komputasi ektraksi ciri dari citra helai daun yang akan digunakan dalam sistem temu kembali citra untuk pengenalan daun. Sistem temu kembali citra merupakan sistem penemuan kembali informasi dalam bentuk citra dengan cara mengukur similiarity (kemiripan) antara kueri yang dimasukkan pengguna dan citra yang tersimpan dalam basis data. Salah satu pendekatannya adalah Content Based Image Retrieval (CBIR). Ekstraksi ciri merupakan salah satu tahapan penting dari pengenalan citra. Oleh karena itu, ekstraksi ciri helai daun adalah tahapan penting dalam proses pengenalan citra helai daun. Pada tahap ini input citra helai daun akan diproses menggunakan suatu teknik sehingga menghasilkan ciri tertentu dari daun yang akan disimpan dalam basis data maupun dicocokkan dengan ciri helai daun yang ada. Penciri yang digunakan dalam hal ini adalah ciri morfologi, ciri tekstur dan gabungan kedua ciri tersebut untuk pengenalan citra helai daun yang lebih akurat. Pebuardi (2008) mengunakan co-occurrence matrix untuk ekstraksi ciri tekstur. Informasi tekstur dengan co-occurrence matrix akan merepresentasikan energy, moment, entropy, maximum probability, contrast, correlation, dan homogenity. Wu et al (2007) melakukan ekstraksi ciri morfologi pada citra helai daun. Tahap awal adalah mendapatkan lima ciri dasar dari citra helai daun, kemudian kombinasi dari kelima ciri tersebut menghasilkan dua belas ciri turunan.
ciri morfologi dan co-occurrence matrix untuk mendapatkan ciri-ciri tekstur. Berdasarkan penelitian-penelitian sebelumnya diketahui bahwa pendekatan ekstraksi ciri morfologi memberikan hasil ekstraksi yang baik untuk morfologi citra helai daun. Tujuan Tujuan dari penelitian ini adalah mengevaluasi hasil temu kembali citra dengan menggunakan penciri morfologi, tekstur dan gabungan keduanya untuk temu kembali citra helai daun. Ruang Lingkup Data diperoleh dari hasil pengambilan citra dengan menggunakan kamera digital. Objek citra adalah helai daun tunggal yang berasal dari sebelas pohon buah yang ada di sekitar kampus IPB Darmaga, yaitu daun alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Penelitian ini difokuskan pada tahap ekstraksi ciri pada citra helai daun. TINJAUAN PUSTAKA Daun Daun merupakan bagian atau organ tumbuhan yang berfungsi membentuk makanan (fotosintesis), respirasi dan transpirasi. Daun memiliki pola-pola yang berbeda. Hickey et al (1999) telah mendeskripsikan ciri morfologi daun dengan cukup rinci, khususnya untuk morfologi daun kelas Dicotyledoneae. Ciri morfologi daun tersebut antara lain bangun daun (helaian daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak kelenjar, tangkai daun, tipe pertulangan, dan pengelompokan urat daun. Content Based Image Retrieval (CBIR) Content based image retrieval (CBIR) merupakan suatu pendekatan untuk masalah temu kembali citra yang didasarkan pada informasi yang terkandung di dalam citra itu sendiri seperti warna, bentuk, dan tekstur dari citra (Rodrigues & Araujo 2004). CBIR terdiri atas beberapa tahap yaitu praproses, ekstraksi ciri, pengindeksan dan penemuan kembali citra. Gambar 1 menunjukkan diagram CBIR.
Penelitian ini menggunakan pendekatan ekstraksi ciri morfologi untuk mendapatkan ciri-
1
Ekstraksi Ciri Morfologi Wu et al (2007) telah mendeskripsikan ciri morfologi daun yang dapat diekstrak dari citra helai daun. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar citra helai daun ada lima, yaitu: 1 Gambar 1 Diagram CBIR. Ekstraksi Ciri Ekstraksi ciri adalah proses mengambil ciriciri yang terdapat pada citra. Pada proses ini objek di dalam citra mungkin perlu dideteksi seluruh tepinya, lalu dihitung properti-properti objek yang berkaitan sebagai ciri. Beberapa proses ekstraksi ciri mungkin perlu mengubah citra masukan sebagai citra biner, melakukan penipisan pola dan sebagainya. Ekstraksi ciri diklasifikasikan ke dalam tiga tingkat yaitu low-level, middle-level dan highlevel. Low-level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan ekstraksi tiap objek dalam citra dan mencari hubungannya, sedangkan high-level feature merupakan ekstraksi ciri berdasarkan informasi semantik yang terkandung dalam citra (Osadebey 2006).
Gambar 2 Diameter helai daun. 2
Physiological length (Lp) adalah jarak antara ujung dan pangkal daun (panjang tulang daun primer).
3
Physiological width (Wp) adalah jarak terpanjang dari garis yang memotong tegak lurus physiological length yang dibatasi tepi daun. Hubungan keduanya dapat dilihat pada Gambar 3.
Ekstraksi ciri morfologi merupakan salah satu bagian dari CBIR untuk informasi morfologi pada citra. Proses ini bisa dilakukan dengan pendekatan ekstraksi ciri dasar dan turunan dari morfologi citra helai daun. Menurut Vailaya (1996), empat pendekatan yang digunakan dalam menganalisis tekstur adalah analisis statistik, geometrik, berbasis model dan pemrosesan sinyal. Pendekatan secara statistik dilakukan dengan mengukur karakteristik tekstur seperti kehalusan dan keteraturan. Pendekatan secara geometrik adalah mengorganisasikan komponen citra primitif (titik, garis, lingkaran) untuk mendapatkan adanya kemungkinan hubungan struktural. Sementara, pendekatan berbasis model mengasumsikan model citra dasar untuk mendeskripsikan dan menyintesis tekstur. Pendekatan pemrosesan sinyal menggunakan analisis frekuensi dari citra untuk menggolongkan tekstur. Salah satu bagian dari CBIR untuk mendapatkan informasi tekstur pada citra adalah ekstraksi ciri tekstur. Proses ini bisa dilakukan dengan pendekatan secara statistik yaitu cooccurrence matrix .
Diameter ( D ), yang didefinisikan sebagai jarak terpanjang antara dua titik pada tepi daun. Panjang diameter bisa sama atau berbeda dengan panjang tulang daun primer (physiological length). Ilustrasinya dapat dilihat pada Gambar 2.
Gambar 3 Hubungan antara physiological length dan physiological width. 4
Leaf area ( A ) adalah perhitungan jumlah pixel dari daerah yang dilingkupi tepi daun pada citra yang telah dihaluskan. Ilustrasinya dapat dilihat pada Gambar 4.
Gambar 4 Leaf area.
2
5
Leaf perimeter ( P ) adalah perhitungan jumlah pixel yang terdapat pada tepi daun (keliling). Ilustrasinya dapat dilihat pada Gambar 5.
4πA 2 P 4
...(2)
Rectangularity, mendeskripsikan kemiripan antara daun dan empat persegi panjang. Rumusnya diberikan pada Persamaan 3. L pW p
...(3)
A
5
Gambar 5 Leaf perimeter. Ciri turunan daun ada dua belas, yaitu: 1
2
Smooth factor adalah rasio antara area citra helai daun yang dihaluskan dengan 5 x 5 rectangular averaging filter dan area citra helai daun yang dihaluskan dengan 2 x 2 rectangular averaging filter. Ciri ini untuk mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya semakin mendekati 1. Sebaliknya, semakin tidak teratur tepi daun, nilainya semakin mendekati 0. Aspect ratio adalah rasio antara physiological length dan physiological width. Persamaannya dapat dilihat pada Persamaan 1. Lp
Narrow factor adalah rasio antara diameter dan physiological length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka bernilai 1, jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan Persamaan 4.
D
6
Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada Persamaan 5.
P
...(5)
D 7
Perimeter ratio of physiological length and physiological width. Rumusnya diberikan pada Persamaan 6.
...(1)
Wp
Ciri ini untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1 maka bentuk helai daun tersebut melebar. Jika bernilai lebih dari 1 maka bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 6.
P (L p + W p ) 8
a.
b.
Gambar 6 Aspect ratio. Form factor, digunakan untuk mendeskripsikan perbedaan antara daun dan lingkaran Cini ini untuk mengukur seberapa bundar bentuk helai daun tersebut. Nilai forn factor dapat dilihat pada Persamaan 2.
...(6)
Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan 11. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius satu piksel dan area daun awal.
Av1 A
3
...(4)
Lp
Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius dua piksel dan area daun awal.
Av 2 A c.
...(7)
...(8)
Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
3
element dengan radius tiga piksel dan area daun awal.
Av3 A d.
e.
...(9)
Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius empat piksel dan area daun awal.
Av 4 A
c
Menurut Osadebey (2006), co-occurrence matrix menggunakan matriks derajat keabuan adalah untuk mengambil contoh secara statistik bagaimana suatu derajat keabuan tertentu terjadi dalam hubungannya dengan derajat keabuaan yang lain. Matriks derajat keabuan adalah suatu matriks yang elemen-elemennya mengukur frekuensi relatif kejadian bersama dari kombinasi level keabuan antar pasangan piksel dengan hubungan spasial tertentu. Misal diketahui sebuah citra Q(i,j), p(i,j) merupakan posisi dari operator, dan A adalah sebuah matriks NxN. Elemen A(i,j) menyatakan jumlah titik tersebut terjadi dengan grey level (intensitas) g(i) terjadi, pada posisi tertentu menggunakan operator p, relatif terhadap titik dengan intensitas g(j). Matriks A merupakan cooccurrence matrix yang didefinisikan oleh p. Operator p didefinisikan dengan sebuah sudut θ dan jarak d. Berdasarkan matriks A dapat dihitung nilai-nilai ciri tekstur. Ilustrasinya dapat dilihat pada Gambar 7.
... (13)
Entropy, mengukur tingkat keacakan piksel. Entropi mencapai nilai tertinggi jikasemua elemen dalam matrix P sama. Nilai entropy dapat dicari menggunakan Persamaan 14. = − ∑ i , j P (i , j ) log P (i , j ) ...(14) 2 Maximum probability, menyatakan nilai frekuensi kemunculan bersama terbesar. Semakin tinggi nilainya, semakin teratur teksturnya. Rumusnya diberikan pada Persamaan 15. E
d
...(11)
Co-occurrence Matrix
Inverse Difference Moment mencapai nilai tertinggi saat banyak kejadian bersama dalam matriks terkonsentrasi dekat diagonal utama. Formulanya dapat dilihat pada Persamaan 13.
P (i , j ) IDM = ∑ i , j i− j
...(10)
Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius empat piksel dan area helai daun yang telah dikurangi disk-shaped structuring element dengan radius satu piksel.
Av 4 Av1
b
e
f
...(15) MP = max ( P ) ij Contrast, menyatakan jumlah variasi lokal yang terdapat dalam sebuah citra. Atau dengan kata lain menyatakan tingkat kekontrasan citra. Formulanya dapat dilihat pada Persamaan 16. 2 C = ∑ i , j i − j P (i , j ) ...(16) 1 Correlation, menyatakan hubungan ketetanggaan antarpiksel. Rumus yang digunakan dapat dilihat pada Persamaan 17.
C g
= ∑ i, j 2
(1 − µ )( j − µ ) P (i , j ) i j
σ σ
...(17)
i j Homogeneity, menyatakan tingkat kehomogenan piksel. Nilainya dapat dicari menggunakan Persamaan 18. P (i , j ) ...(18) H = ∑ i, j 1+ i − j
Berikut adalah beberapa formula yang digunakan dalam penghitungan ciri tekstur. a
Energy, mengukur tingkat keseragaman tekstur. Energi mencapai nilai tertinggi saat persebaran level keabuan konstan atau bersifat periodik. Rumusnya diberikan pada Persamaan 12. ...(12) E = ∑ i , j P (i , j ) 2 1
Gambar 7 Representasi Co-occurrence Matrix.
4
Recall dan Precision Menurut Rodrigues dan Araujo (2004), recall dan precision merupakan parameter yang digunakan untuk mengukur keefektifan hasil temu kembali. Recall menyatakan proporsi materi relevan yang ditemukembalikan. Perhitungannya dapat dilihat pada Persamaan 19. Sementara itu, precision menyatakan proporsi materi yang ditemukembalikan yang relevan. Perhitungan precission dapat dilihat pada Persamaan 20. recall =
Ra
precission =
perimeter. Kombinasi dari ketiga ciri tersebut digunakan untuk mendapatkan ciri turunan citra helai daun yaitu smooth factor, form factor dan perimeter ratio of diameter.
…(19)
R Ra
…(20)
A
dengan Ra adalah jumlah citra relevan yang ditemukembalikan, R adalah junlah citra relevan yang ada di basisdata, dan A adalah jumlah seluruh citra yang ditemukembalikan.
METODE PENELITIAN Proses penemuan kembali citra dengan pendekatan CBIR terdiri atas beberapa tahap yaitu praproses, ekstraksi ciri, pengindeksan dan penemuan kembali citra. Tahapan yang lebih detail dapat dilihat pada Gambar 8.
Data Proses pengumpulan data dilakukan dengan cara pengambilan citra secara langsung menggunakan kamera digital 8 MP. Data citra tersebut tersimpan dalam format JPG dengan ukuran 3264x2448 piksel.
Praproses Tahap awal praproses yaitu mengubah ukuran citra menjadi 200x150 piksel. Kemudian membersihkan daerah latar belakang citra sehingga didapatkan objek daun dengan latar belakang warna putih. Selanjutnya citra RGB dikonversi menjadi citra grayscale. Untuk ekstraksi ciri morfologi, citra grayscale dikonversi lagi menjadi citra biner. Kemudian noise citra dihilangkan.
Ekstraksi Ciri a.
Ekstraksi ciri morfologi
Tahap awal ekstraksi ciri morfologi adalah dengan mendapatkan ciri-ciri dasar dari citra helai daun. Ciri yang digunakan pada penelitian ini adalah diameter, leaf area dan leaf
Gambar 8 Metodologi penelitian. b.
Ekstraksi ciri tekstur Langkah awal yang dilakukan untuk mendapatkan informasi tekstur dari sebuah citra adalah menentukan co-occurrence matrix. Co-occurrence matrix dihitung dalam empat arah yaitu 0o, 45o, 90o, dan 135o. Jadi, untuk setiap citra akan dihasilkan empat co-occurrence matrix. Setelah itu, nilai energy, moment, entropy, maximum probablity, contrast, correlation, dan homogenity dihitung untuk setiap cooccurrence matrix, sehingga untuk setiap fitur akan diperoleh empat nilai, masingmasing untuk arah 0o, 45o, 90o, dan 135o. Nilai dari setiap fitur diperoleh dengan menghitung rata-rata keempat nilai fitur yang bersangkutan. Informasi tersebut kemudian direpresentasikan dengan sebuah vektor yang memiliki tujuh elemen dan
5
nilai akhir dari informasi tekstur diperoleh dengan melakukan normalisasi terhadap vektor masing-masing citra.
Pengukuran Kemiripan Pengukuran kemiripan antara citra kueri dengan citra yang ada dalam basis data dilakukan dengan menggunakan model Bayesian Network. Nilainya dapat dihitung dengan menggunakan Persamaan 21. P( I j | Q) = η[1 − (1 − P(CS j | CS ))... K x (1 − P(CT j
…(21)
| CT ))]
P(CSj|CS) dan P(CTj|CT) dihitung dengan menggunakan cosine similarity. P(CSj|CS) merupakan nilai kemiripan antara vektor morfologi citra kueri dengan vektor morfologi citra pada basis data, sedangkan P(CTj|CT) untuk vektor tekstur. Sementara itu, pengukuran kemiripan berdasarkan informasi morfologi saja dapat dilihat pada Persamaan 22. P( I j | Q) = η[1 − (1 − P (CS j | CS ))]
…(22)
Pengukuran kemiripan berdasarkan informasi tekstur saja dapat dilihat pada Persamaan 23. P( I j | Q) = η[1 − (1 − P (CT j | CT ))]
…(23)
HASIL DAN PEMBAHASAN Data Data yang digunakan adalah citra hasil pengambilan citra dengan menggunakan kamera digital 8 MP. Objek citra adalah helai daun tunggal yang berasal dari sebelas jenis pohon buah yang ada di sekitar kampus IPB Darmaga, yaitu daun alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Setiap jenis helai daun diambil sebanyak 100 citra sehingga total data yang digunakan sebanyak 1100 citra dengan format JPG. Beberapa citra yang digunakan dapat dilihat pada Lampiran 1.
Praproses Setelah ukuran citra diubah menjadi 200x150 piksel, daerah latar belakang citra dibersihkan. Kemudian citra RGB diubah menjadi citra grayscale. Untuk metode ekstraksi ciri morfologi, citra grayscale dikonversi lagi menjadi citra biner dengan nilai threshold 0.87. Nilai threshold tersebut didapatkan dengan mengambil rata-rata nilai terendah di antara dua puncak pada histogram grayscale dari 1100 citra daun, yang kemudian dibagi dengan 255. Selanjutnya noise citra dihilangkan dengan 3 x 3 rectangular averaging filter. Hasil dari praproses dapat dilihat pada Gambar 9.
Evaluasi Temu Kembali Citra Untuk mendapatkan hasil temu kemu citra maka dilakukan dengan mengukur tingkat kemiripan antara citra kueri dengan citra dalam basisdata. Citra yang memiliki tingkat kemiripan yang tinggi dengan kueri adalah citra yang ditemukembalikan. Setelah mendapat hasil citra yang ditemukembalikan selanjutnya adalah melakukan evaluasi. Evaluasi ini dilakukan untuk mengukur tingkat keberhasilan dalam proses temu kembali citra. Pengujian yang dilakukan adalah dengan menghitung nilai recall dan precision dari proses temu kembali citra berdasarkan penilaian relevansinya.
Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor AMD Sempron 1.61 GHz, memori DDR2 RAM 512 MB dan harddisk 80 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows XP Service Pack 2 dan MATLAB 7.0.1
b
a
d
c
e
Gambar 9 (a) Citra RGB sebelum dibersihkan, (b) Citra RGB setelah dibersihkan, (c) Citra grayscale, (d) Citra biner, (e) Citra setelah noise dihilangkan.
Hasil Ekstraksi Ciri a.
Ekstraksi ciri morfologi Hasil dari ekstraksi ciri morfologi untuk seluruh citra yang ada di basis data adalah sebuah matriks berukuran 6 x 1100, karena terdapat 1100 buah citra di basis
6
data dan setiap citra direpresentasikan dengan sebuah vektor yang memiliki 6 buah elemen yaitu diameter, leaf area, leaf perimeter, smooth factor, form factor dan perimeter ratio of diameter. Contoh hasil ekstraksi ciri morfologi dapat dilihat pada Gambar 10. b.
Ekstraksi ciri tekstur Pada Lampiran 2, dapat dilihat bahwa jumlah level keabuan 16 mampu meningkatkan nilai rata-rata precision untuk temu kembali citra menggunakan ciri tekstur. Hasil dari ekstraksi ciri tekstur untuk seluruh citra yang ada di basis data adalah sebuah matriks berukuran 7 x 1100, karena terdapat 1100 buah citra di basis data dan setiap citra direpresentasikan dengan sebuah vektor yang memiliki 7 buah elemen yaitu energy, moment, entropy, maximum probablity, contrast, correlation, dan homogenity. Contoh hasil ekstraksi ciri tekstur dapat dilihat pada Gambar 10.
Gambar 10 Hasil ekstraksi ciri morfologi dan tekstur.
Hasil Temu Kembali Temu kembali yang dihasilkan merupakan citra-citra yang memiliki kemiripan yang paling tinggi dengan citra query berdasarkan ciri morfologi, ciri tekstur, atau gabungan keduanya dengan model Bayesian Network. Hasil temu kembali menggunakan penciri morfologi dapat dilihat pada Gambar 11. Hasil temu kembali menggunakan penciri tekstur dapat dilihat pada Gambar 12. Sementara, hasil temu kembali menggunakan model Bayesian Network dapat dilihat pada Gambar 13.
Evaluasi Temu Kembali Citra Perhitungan nilai recall dan precision dilakukan untuk menentukan tingkat keberhasilan dalam proses temu kembali citra. Perhitungan nilai precision dari suatu kelas dilakukan dengan cara menjadikan setiap citra yang ada di kelas tersebut sebagai citra query. Daun-daun yang memiliki bentuk seragam dan sudah stabil seharusnya menghasilkan nilai ciri morfologi yang cukup tinggi bila diamati secara manual. Contohnya daun bisbul, durian, jamblang, jambu biji, jambu bol, kepel dan nangka. Namun pada hasil komputasi, hanya kelas jambu biji dan jambu bol saja yang memberikan nilai yang tinggi untuk ciri morfologi dibandingkan ciri tekstur. Ini disebabkan objek daun tersebut untuk data citra yang digunakan sudah stabil dan seragam. Sementara, daun-daun yang memiliki tekstur yang jelas, misalnya tulang daun terlihat jelas, seharusnya menghasilkan nilai ciri tekstur yang cukup tinggi bila diamati secara manual. Contohnya daun alpukat, daun coklat, jambu biji, jambu bol, dan nangka. Namun pada hasil komputasi, kelas alpukat, bisbul, coklat, durian, jamblang, kepel, manggis, menteng dan nangka memberikan nilai yang tinggi untuk ciri tekstur dibandingkan ciri morfologi. Ini disebabkan salah satunya oleh pengaruh pencahayaan pada saat pengambilan data citra. Nilai precision untuk kelas-kelas yang ada dalam basis data dapat dilihat pada Lampiran 3. Pada kelas coklat, durian, jamblang dan nangka, nilai rata-rata precision menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network lebih tinggi daripada menggunakan penciri tekstur atau morfologi saja. Namun, nilai rata-rata precision menggunakan penciri tekstur lebih tinggi bila dibandingkan dengan nilai rata-rata precision mengunakan penciri morfologi. Sementara pada kelas jambu biji dan jambu bol, nilai rata-rata precision menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network lebih tinggi daripada menggunakan penciri tekstur atau morfologi saja. Namun, nilai rata-rata precision menggunakan penciri morfologi lebih tinggi bila dibandingkan dengan nilai rata-rata precision mengunakan penciri tekstur. Sedangkan pada kelas alpukat, bisbul, kepel, manggis dan menteng, nilai rata-rata precision menggunakan penciri tekstur lebih tinggi daripada menggunakan penciri morfologi saja atau gabungan ciri tekstur dan morfologi
7
dengan model Bayesian Network. Namun, nilai rata-rata precision menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network lebih tinggi bila dibandingkan dengan nilai rata-rata precision mengunakan penciri morfologi saja. Grafik recall dan precision menggunakan gabungan ciri morfologi dan tekstur menggunakan model Bayesian Network untuk semua kelas dapat dilihat pada Gambar 14. Selanjutnya akan dibahas untuk kelas jamblang, jambu biji dan manggis yang mempunyai nilai precision tinggi. Perbandingan nilai precision untuk kelas jamblang dapat dilihat pada Tabel 1. Pada kelas ini, nilai rata-rata precision terbesar diperoleh menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network. Sementara nilai rata-rata precision terkecil diperoleh menggunakan penciri morfologi. Nilai rata-rata precision menggunakan penciri tekstur lebih tinggi jika dibandingkan dengan nilai ratarata precision menggunakan penciri morfologi. Hal ini disebabkan citra-citra pada kelas jamblang memiliki tekstur yang hampir sama. Tabel 1. Perbandingan nilai recall precision pada kelas jamblang Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Morfologi
Tekstur
Bayesian
1.000 0.8320 0.6210 0.4622 0.3911 0.1300 0.0792 0.0849 0.0915 0.0973 0.0922 0.3529
1.000 0.7228 0.6147 0.5435 0.4641 0.1693 0.0882 0.0961 0.1037 0.1076 0.0956 0.3641
1.000 0.8679 0.7321 0.6572 0.5707 0.1836 0.0874 0.0953 0.1028 0.1068 0.0951 0.4090
Perbandingan nilai precision untuk kelas jambu biji dapat dilihat pada Tabel 2. Pada kelas ini, nilai rata-rata precision terbesar diperoleh menggunakan gabungan penciri tekstur dan morfologi dengan model Bayesian Network. Sementara nilai rata-rata precision terkecil diperoleh menggunakan penciri tekstur. Nilai rata-rata precision menggunakan penciri morfologi lebih tinggi jika dibandingkan dengan nilai rata-rata precision menggunakan penciri tekstur. Hal ini disebabkan citra-citra pada kelas jambu biji memiliki morfologi yang hampir sama.
Tabel 2. Perbandingan nilai recall precision pada kelas jambu biji Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Morfologi
Tekstur
Bayesian
1.000 0.4903 0.4109 0.3251 0.2551 0.1254 0.0725 0.0786 0.0862 0.0943 0.0951 0.2758
1.000 0.4556 0.3774 0.2990 0.2559 0.1276 0.0703 0.0773 0.0851 0.0928 0.0935 0.2668
1.000 0.4972 0.4088 0.3207 0.2626 0.1332 0.0712 0.0774 0.0848 0.0927 0.0935 0.2765
Perbandingan nilai precision untuk kelas manggis dapat dilihat pada Tabel 3. Pada kelas ini, nilai rata-rata precision terbesar diperoleh menggunakan penciri tekstur. Sementara nilai rata-rata precision terkecil diperoleh menggunakan penciri morfologi. Nilai rata-rata precision menggunakan penciri tekstur lebih tinggi jika dibandingkan dengan nilai rata-rata precision menggunakan penciri morfologi. Hal ini disebabkan citra-citra pada kelas manggis memiliki morfologi yang lebih beragam. Tabel 3. Perbandingan nilai recall precision pada kelas manggis Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Morfologi
Tekstur
Bayesian
1.000 0.3928 0.2949 0.1943 0.1692 0.1590 0.1515 0.1454 0.1253 0.1249 0.1163 0.2612
1.000 0.4315 0.3254 0.2721 0.2433 0.2111 0.1659 0.1526 0.1397 0.1365 0.1213 0.2909
1.000 0.4561 0.3325 0.2453 0.2085 0.1775 0.1574 0.1536 0.1358 0.1341 0.1203 0.2837
Perbandingan rata-rata nilai recall precision menggunakan ciri morfologi, tekstur dan model Bayesian Network dapat dilihat pada Tabel 4. Nilai rata-rata precision terbesar untuk seluruh kelas diperoleh menggunakan model Bayesian Network. Namun demikian, nilai ratarata precision terkecil untuk seluruh kelas diperoleh menggunakan penciri morfologi. Hal ini disebabkan morfologi pada citra helai daun
8
umumnya lebih beragam sedangkan tekstur pada citra helai daun hampir sama. Grafiknya dapat dilihat pada Gambar 15. Tabel 4. Perbandingan rata-rata nilai recall precision menggunakan ciri morfologi, tekstur dan model Bayesian Network Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Morfologi
Tekstur
Bayesian
1.000 0.3651 0.2891 0.2314 0.1924 0.1378 0.1184 0.1145 0.1141 0.1139 0.1073 0.2531
1.000 0.4315 0.3400 0.2757 0.2325 0.1560 0.1156 0.1103 0.1119 0.1133 0.1071 0.2722
1.000 0.4466 0.3418 0.2770 0.2274 0.1494 0.1160 0.1122 0.1132 0.1144 0.1085 0.2733
KESIMPULAN DAN SARAN Kesimpulan Penelitian ini telah berhasil mengimplementasikan pendekatan ekstraksi ciri morfologi untuk mendapatkan ciri dasar dan
turunan dari morfologi citra helai daun dan cooccurrence matrix untuk ekstraksi ciri tekstur. Ciri morfologi yang didapatkan yaitu diameter, leaf area, leaf perimeter, smooth factor, form factor dan perimeter ratio of diameter. Ciri tekstur yang didapatkan yaitu energy, moment, entropy, maximum probablity, contrast, correlation, dan homogenity. Model Bayesian Network digunakan untuk menggabungan ciriciri tersebut untuk pengukuran kemiripan citra. Secara umum, model Bayesian Network dapat meningkatkan nilai precision hasil temu kembali citra. Nilai rata-rata precision untuk model Bayesian network untuk seluruh kelas menghasilkan nilai terbesar yaitu 0.2733, sedangkan nilai rata-rata precision menggunakan penciri tekstur adalah sebesar 0.2722. Sementara nilai rata-rata precision menggunakan penciri morfologi menghasilkan nilai terkecil yaitu 0.2531.
Saran Hasil temu kembali akan lebih baik jika ciri-ciri yang didapatkan lebih lengkap. Oleh karena itu, penelitian selanjutnya disarankan untuk mendapatkan ciri morfologi yang lainnya, yaitu physiological length, physiological width, aspect ratio, rectangularity, narrow factor, perimeter ratio of physiological length and physiological width dan vein features.
Gambar 11 Hasil temu kembali menggunakan penciri morfologi.
9
Gambar 12 Hasil temu kembali menggunakan penciri tekstur.
Gambar 13 Hasil temu kembali menggunakan model Bayesian Network.
10
Gambar 14 Grafik recall precision untuk semua kelas menggunakan model Bayesian Network.
Gambar 15 Grafik recall precision menggunakan ciri morfologi, tekstur dan model Bayesian Network.
11
DAFTAR PUSTAKA Hickey, L.J et al. 1999. Manual of Leaf Architecture - Morphological Description and Categorization of Dicotyledonous and Net-Veined Monocotyledonous Angiosperms by Leaf Architecture. Leaf Architecture Working Group. Washington DC. McAndrew A. 2004. Introduction to Digital Image Processing with MATLAB. United States: Course Technology, a division of Thomson Learning, Inc. Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea: Department of Applied Physics and Electronics, Umea Univercity. Pebuardi R. 2008. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur menggunakan Bayesian Network. [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Rodrigues PS, Arnaldo de Albuquerque Araujo. 2004. A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. LNCC, Petropolis, Brazil. Vailaya A. 1996. Shape-Based Image Retrieval [thesis]. Michigan : Michigan State Univercity. Wu, SG, et al. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. http://arxiv.org/pdf/0707.4289 [10 April 2009].
12
LAMPIRAN
13
Lampiran 1 Contoh citra yang digunakan untuk masing-masing kelas 1
Kelas alpukat
Citra 1 2
Citra 102
Citra 148
Citra 153
Citra 85
Citra 219
Citra 223
Citra 282
Citra 85
Citra 321
Citra 365
Citra 372
Citra 394
Citra 405
Citra 409
Citra 463
Citra 478
Citra 564
Citra 576
Citra 580
Citra 598
Kelas jamblang
Citra 402 6
Citra 85
Kelas durian
Citra 301 5
Citra 80
Kelas cokelat
Citra 203 4
Citra 72
Kelas bisbul
Citra 101 3
Citra 25
Kelas jambu biji
Citra 557
14
Lampiran 1 Lanjutan 7 Kelas jambu bol
Citra 603 8
Citra 609
Citra 632
Citra 665
Citra 762
Citra 789
Citra 792
Citra 799
Citra 808
Citra 811
Citra 871
Citra 897
Citra 925
Citra 971
Citra 980
Citra 995
Citra 1074
Citra 1085
Citra 80
Citra 1098
Kelas kepel
Citra 703 9
Citra 607
Kelas manggis
Citra 804 10 Kelas menteng
Citra 907 11 Kelas nangka
Citra 1004
15
Lampiran 2 Nilai recall precision temu kembali citra menggunakan ciri tekstur untuk beberapa jumlah level keabuan.
0
8 1.000
16 1.000
32 1.000
64 1.000
0.1
0.4071
0.4315
0.4047
0.3974
0.2
0.3102
0.3400
0.3213
0.3174
0.3
0.2510
0.2757
0.2622
0.2572
0.4
0.2050
0.2325
0.2156
0.2119
0.5
0.1357
0.1560
0.1543
0.1566
0.6
0.1127
0.1156
0.1149
0.1183
0.7
0.1102
0.1103
0.1091
0.1116
0.8
0.1125
0.1119
0.1096
0.1114
0.9
0.1147
0.1133
0.1111
0.1121
1 Rataan
0.1104
0.1071
0.1040
0.1027
0.2609
0.2722
0.2643
0.2633
Recall
16
Lampiran 3 Perbandingan nilai recall precision pada masing-masing kelas 1
2
3
Perbandingan nilai recall precision pada kelas alpukat Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.1981 0.2593 0.2 0.1709 0.2112 0.3 0.1441 0.17245 0.4 0.1272 0.1466 0.5 0.1099 0.1157 0.6 0.0987 0.0949 0.7 0.0993 0.0961 0.8 0.1046 0.0994 0.9 0.1046 0.0988 1 0.1020 0.0960 Rataan 0.2173 0.2054
Bayesian 1.000 0.2293 0.1919 0.1625 0.1396 0.1129 0.0957 0.0972 0.1017 0.1022 0.1002 0.2121
Perbandingan nilai recall precision pada kelas bisbul Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.2274 0.2797 0.2 0.1787 0.2115 0.3 0.1506 0.1658 0.4 0.1290 0.1478 0.5 0.1196 0.1200 0.6 0.1154 0.1026 0.7 0.1172 0.1086 0.8 0.1198 0.1093 0.9 0.1199 0.1089 1 0.1202 0.1079 Rataan 0.2238 0.2180
Bayesian 1.000 0.2715 0.1947 0.1672 0.1353 0.1153 0.1079 0.1127 0.1156 0.1166 0.1163 0.2230
Perbandingan nilai recall precision pada kelas cokelat Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.2629 0.3610 0.2 0.2212 0.2764 0.3 0.2040 0.2260 0.4 0.1879 0.1996 0.5 0.1662 0.1758 0.6 0.1474 0.1197 0.7 0.1364 0.1142 0.8 0.1310 0.1144 0.9 0.1248 0.1128 1 0.1187 0.1089 Rataan 0.2455 0.2553
Bayesian 1.000 0.3618 0.2667 0.2271 0.2001 0.1681 0.1350 0.1245 0.1231 0.1207 0.1175 0.2586
17
Lampiran 3 Lanjutan 4 Perbandingan nilai recall precision pada kelas durian Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.4070 0.5606 0.2 0.3035 0.4075 0.3 0.2236 0.2718 0.4 0.1531 0.1884 0.5 0.1499 0.1843 0.6 0.1430 0.1598 0.7 0.0979 0.0913 0.8 0.1030 0.0974 0.9 0.1064 0.1036 1 0.0999 0.1011 Rataan 0.2534 0.2878
Bayesian 1.000 0.6326 0.4392 0.2906 0.1761 0.1620 0.1515 0.0947 0.1003 0.1046 0.1021 0.2958
Perbandingan nilai recall precision pada kelas jambu bol Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.2600 0.3762 0.2 0.2100 0.2273 0.3 0.1906 0.1792 0.4 0.1828 0.1658 0.5 0.1828 0.1538 0.6 0.1793 0.1473 0.7 0.1723 0.1407 0.8 0.1523 0.1281 0.9 0.1367 0.1206 1 0.1282 0.1130 Rataan 0.2541 0.2502
Bayesian 1.000 0.3637 0.2239 0.2027 0.1898 0.1725 0.1624 0.1562 0.1400 0.1304 0.1227 0.2604
Perbandingan nilai recall precision pada kelas kepel Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.2709 0.5245 0.2 0.2279 0.4443 0.3 0.1945 0.3545 0.4 0.1621 0.2702 0.5 0.1238 0.1414 0.6 0.1191 0.1016 0.7 0.1237 0.1060 0.8 0.1271 0.1123 0.9 0.1273 0.1158 1 0.1119 0.1049 Rataan 0.2353 0.2978
Bayesian 1.000 0.4325 0.3306 0.2630 0.1991 0.1272 0.1056 0.1119 0.1172 0.1194 0.1096 0.2651
5
6
18
Lampiran 3 Lanjutan 7 Perbandingan nilai recall precision pada kelas menteng Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.2763 0.3325 0.2 0.2076 0.2815 0.3 0.1807 0.2474 0.4 0.1502 0.2247 0.5 0.1239 0.1717 0.6 0.1157 0.1448 0.7 0.1180 0.1471 0.8 0.1212 0.1510 0.9 0.1172 0.1531 1 0.0968 0.1388 Rataan 0.2721 0.2280
Bayesian 1.000 0.3308 0.2525 0.2120 0.1863 0.1450 0.1254 0.1287 0.1338 0.1348 0.1197 0.2517
Perbandingan nilai recall precision pada kelas nangka Recall Morfologi Tekstur 0 1.000 1.000 0.1 0.3989 0.4430 0.2 0.3332 0.3626 0.3 0.2758 0.3010 0.4 0.2089 0.2504 0.5 0.1254 0.1453 0.6 0.0802 0.0765 0.7 0.0864 0.0831 0.8 0.0935 0.0905 0.9 0.0995 0.0963 1 0.0992 0.0967 Rataan 0.2546 0.2678
Bayesian 1.000 0.4688 0.3866 0.2987 0.2338 0.1457 0.0766 0.0826 0.0900 0.0965 0.0968 0.2706
8
19
