Klasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree

Klasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree Ratih Kartika Dewi

Nanik Suciati

Universitas Brawijaya

Institut Teknologi Sepuluh Nopember

[email protected]

[email protected]

ABSTRAK Pengenalan pola daun untuk klasifikasi jenis tanaman secara otomatis diperlukan untuk mengatasi masalah pengenalan pola daun secara manual serta mempersingkat waktu identifikasi daun. Fitur yang digunakan untuk identifikasi daun haruslah dapat merepresentasikan keadaan daun dan menjadi pembeda antar jenis tanaman. Pada penelitian ini fitur yang digunakan untuk pengenalan pola daun adalah fitur bentuk dan tekstur. Fitur bentuk dilakukan melalui fitur global, yaitu aspect ratio, rectangularity, convex area ratio, circularity sedangkan ekstraksi fitur tekstur dilakukan sesuai deskriptor lokal, yaitu kontras, correlation, energy, homogeneity, maximum probability, dan entropy. Deskriptor lokal dan fitur global tidak dapat berdiri sendiri untuk pengenalan pola daun karena 2 jenis daun yang memiliki bentuk daun yang sama dapat memiliki tekstur berbeda. Setelah proses ekstraksi fitur, metode klasifikasi dilakukan untuk mengklasifikasikan jenis daun. Pada penelitian mengenai fitur global dan deskriptor lokal, klasifikasi dilakukan menggunakan nearest neighbor classifier. Nearest neighbor memiliki kekurangan yaitu hasil klasifikasi bergantung pada jumlah neighbor, oleh karena itu diperlukan classifier yang bersifat lebih general. Dalam penelitian ini diusulkan metode decision tree untuk klasifikasi tanaman karena metode tersebut tidak memiliki ketergantungan dengan variabel lain. Pengujian dilakukan untuk mengetahui pengaruh variasi nilai k dan variasi penghitungan jarak terhadap hasil klasifikasi. Hasil dari penelitian ini adalah metode klasifikasi nearest neighbor menghasilkan nilai akurasi berbeda yang bergantung pada nilai k, dengan akurasi tertinggi pada nilai k=4 yaitu 47 % dan akurasi terendah pada nilai k=9 dan k=10 yaitu 40 % serta akurasi rata-rata 38,4 % sedangkan decision tree menghasilkan akurasi 80 %. Variasi penghitungan jarak tidak berpengaruh terhadap hasil klasifikasi.

Kata Kunci Klasifikasi tanaman, daun, bentuk, tekstur, dan decision tree.

1. PENDAHULUAN Daun adalah bagian tanaman yang bisa digunakan untuk klasifikasi spesies tanaman. Masing- masing daun membawa informasi substansial yang dapat digunakan untuk identifikasi dan klasifikasi beragam jenis tanaman. Pengenalan pola daun secara otomatis diperlukan untuk mempersingkat waktu identifikasi daun dan masalah lain yang timbul saat menggunakan pengenalan pola daun secara manual melalui botanis.

tanaman dengan melihatnya. Perkembangan penelitian mengenai klasifikasi jenis tanaman berkembang pada fitur yang digunakan dan metode klasifikasi yang dipilih. Fitur bentuk pada daun adalah fitur yang signifikan yang banyak digunakan manusia (Ab Jabal, 2013). Penelitian (Wu et al, 2007) menyatakan bahwa fitur bentuk seperti diameter, physiological length, physiological width, area dan perimeter adalah informasi geometri dasar yang dapat diekstraksi dari daun. Metode ekstraksi fitur tekstur lain adalah melalui moment invariants, yang pernah digunakan dalam penelitian (Zulkifli et al., 2011) menggunakan 10 kelas daun. Sedangkan penelitian (Shabanzade, 2011) menyatakan bahwa secara umum fitur bentuk yang dapat diekstraksi dari daun terdiri dari panjang dan lebar dari luas daun atau sifat-sifat lain yang menentukan bentuk secara universal. Fitur bentuk tidak dapat berdiri sendiri untuk pengenalan pola daun karena 2 jenis daun memiliki bentuk daun yang sama tetapi dapat memiliki tekstur berbeda (Shabanzade, 2011). Berikut adalah alasan penggunaan paduan fitur global dan deskriptor lokal secara bersamaan (Shabanzade, 2011): a) Citra daun memiliki properti yang berbeda karena kondisi berbeda, misalnya warna kuning saat musim gugur. Kondisi tersebut menyebabkan penghitungan yang salah pada deskriptor lokal. b) Bentuk daun dapat tidak penuh, misalnya jika dimakan tanaman. Kondisi seperti ini membuat perhitungan dengan fitur global menghasilkan hasil yang salah. c) Beberapa daun dapat mengalami sakit yang berupa lubang atau titik pada daun. Kondisi ini menyebabkan deskriptor lokal menghasilkan nilai yang tidak representatif dan menyebabkan kesalahan dalam pengenalan pola. Oleh karena itu perlu penambahan fitur tekstur. Fitur tekstur untuk pengenalan pola daun yang bisa digunakan adalah Graylevel occurrence matrices , Gabor Filter, and Local binary pattern (Kadir et al., 2011). Penelitian (Shabanzade, 2011) menggunakan ekstraksi fitur tekstur meliputi kontras, correlation, energy, homogeneity, maximum probability, dan entropy dan menggabungkannya dengan ekstraksi fitur bentuk melalui aspect ratio, rectangularity, convex area ratio, circularity.

Proses pengenalan pola secara normal terjadi pada tahap preprocessing yang kemudian diikuti dengan proses ekstraksi fitur. Setelah proses tersebut barulah klasifikasi dilakukan dengan proses pembelajaran dari basis data fitur daun yang ada. Untuk membentuk sistem pengenalan pola daun, fitur yang digunakan haruslah dapat merepresentasikan keadaan daun dan dapat menjadi pembeda antar jenis tanaman.

Pada penelitian (Shabanzade, 2011), pengenalan pola daun untuk klasifikasi tanaman menggunakan ekstraksi fitur bentuk dan tekstur seperti yang telah dideskripsikan sebelumnya, kemudian metode LDA (Linear Discriminant Analysis) digunakan untuk menyeleksi fitur yang paling berpengaruh terhadap hasil klasifikasi. Metode klasifikasi dilakukan menggunakan metode nearest neighbor. Metode klasifikasi knearest neighbor memiliki kekurangan yaitu hasil klasifikasi bergantung pada jumlah k, oleh karena itu diperlukan metode klasifikasi yang bersifat lebih umum (Luukka, 2009).

Daun memiliki fitur yang berbeda antar satu jenis dengan jenis lainnya. Fitur tersebut membawa informasi signifikan yang dapat membantu manusia mengenali dan mengklasifikasikan

Pada penelitian ini fitur yang digunakan untuk pengenalan pola daun adalah fitur bentuk dan tekstur. Fitur bentuk dilakukan melalui fitur global, yaitu aspect ratio, rectangularity, convex

Jurnal Cybermatika | Vol. 3 No. 2 | Desember 2015 | Artikel 2 9

area ratio, circularity sedangkan ekstraksi fitur tekstur dilakukan sesuai deskriptor lokal, yaitu kontras, correlation, energy, homogeneity, maximum probability, dan entropy. Setelah ekstraksi fitur dilakukan, maka selanjutnya adalah melakukan klasifikasi. Dalam penelitian ini diusulkan metode klasifikasi decision tree untuk klasifikasi tanaman karena metode tersebut tidak memiliki ketergantungan dengan variabel lain. Pengujian sistem dalam penelitian ini dilakukan dengan menguji pada membandingkan metode klasifikasi decision tree dan k-nearest neighbor dengan variasi nilai k mulai dari 1 sampai 10 dan variasi perhitungan jarak, melalui perhitungan jarak Euclidean, Cityblock, Cosine, Correlation, dan Hamming. Penelitian klasifikasi tanaman menggunakan fitur bentuk dan tekstur dengan fitur bentuk dan tekstur menggunakan decision tree diharapkan dapat mengklasifikasi citra daun yang dimasukkan ke dalam sistem secara benar dan metode klasifikasi tidak memiliki ketergantungan terhadap variabel lain. Penelitian ini memiliki struktur bagian sebagai berikut, yaitu bagian I pendahuluan yang berisi latar belakang penelitian, bagian II berisi studi literatur, bab III arsitektur sistem, bagian IV berisi analisis dan pengujian system, bagian V berisi kesimpulan, bagian VI berisi saran dan bagian terakhir merupakan pustaka yang dipakai sebagai acuan dalam penelitian ini.

2. STUDI LITERATUR 2.1 Decision Tree Konsep dasar klasifikasi yang dilakukan dengan decision tree selalu diawali dengan pengajuan pertanyaan untuk penentuan kelompok. Dalam decision tree, pertanyaan pertama akan menempati level 0 atau simpul akar. Pertanyaan berikutnya pada level 1 atau cabang simpul akar. Dalam setiap simpul yang ditanyakan adalah nilai suatu atribut. Jawaban tiap pertanyaan diungkapkan dalam cabang-cabang simpul. Pertanyaan akan berakhir jika sudah didapatkan dengan jelas kelas atau obyek yang dicari. Metode untuk mengukur kesamaan node menggunakan konsep information gain atau entropy reduction untuk memilih split yang optimal (Tan, 2006). Gambar 1 menunjukkan decision tree untuk menentukan keputusan apakah seseorang layak untuk mendapatkan pinjaman dari bank dengan variable masukan berupa refund (apakah seseorang yang pernah meminjam uang sudah membayar uang yang dipinjamnya), status pernikahan (marital status) dan penghasilan kena pajak (taxable income).

atribut, yaitu refund, marital status dan taxable income serta 1 kelas, yaitu cheat yang menyatakan potensi kecurangan dari seseorang berdasarkan kombinasi nilai 3 atribut tersebut. Untuk memilih atribut yang akan displit, mulanya kita menghitung entropy dengan Persamaan 2.1, dimana variable X, memiliki k nilai kemungkinan dengan probabilitas p1,p2,…pk.

( )

∑

( )

(1)

Pada Gambar 7, ada 7 kelas bernilai no dan 3 kelas bernilai yes dari jumlah keseluruhan data yang berjumlah 10. Entropy dapat dihitung seperti Persamaan 2.2

( )

( )

(2)

Misalkan kita memiliki suatu candidat split S, yang mempartisi data training T ke beberapa subset, T1, T2,...Tk. Syarat informasi yang dipentingkan dapat dihitung:

( )

∑

( )

(3)

Dimana Pi merepresentasikan proporsi dari record dalam subset i. Sehingga information gain dapat didefinisikan: ( )

( )

( )

(4)

Atribut dengan nilai information gain yang paling tinggi dipilih menjadi splitting atribut dari akar seperti Gambar 7. Setelah terbentuk decision tree, kita bisa membuat decision rules, misalnya Jika refund=no dan marital status=married, maka potensi cheat dari orang tersebut tidak ada sehingga dia bisa menjadi kandidat yang layak untuk mendapatkan pinjaman dari bank.

2.2 K-nearest neighbor Konsep dasar dari algoritma K-nearest neighbor (KNN) adalah menentukan kelas berdasarkan tingkat kesamaan yang tinggi dari data latih. Langkah pertama penghitungan KNN yaitu menghitung jarak ke data latih lain, mengidentifikasi k-tetangga terdekat dan menggunakan kelas label dari tetangga terdekat untuk menentukan label kelas dari rechord yang belum diketahui, misalnya dengan mengambil suara terbanyak (Tan, 2006). K- Nearest neighbor dari suatu record x merupakan titiktitik data yang memiliki k jarak terkecil ke x, dimana x adalah data yang dicari kelasnya. Pada Gambar 2, terlihat variasi nilai k dan ilustrasi KNN dalam gambar.

Gambar 2 K-nearest neighbor

Fungsi jarak yang paling umum digunakan adalah jarak Euclidean, tetapi tidak menutup kemungkinan perhitungan jarak dengan metode lainnya dapat dipakai. Metode pengukuran jarak lainnya misalnya cityblock, cosine, correlation dan hamming. Gambar 1 Klasifikasi dengan Decision Tree (Tan, 2006) (

)

√∑ (

)

(5)

Cara kerja decision tree membentuk tree dengan split atribut berdasarkan information gain. Dalam Gambar 1 kita memiliki 3

Ratih Kartika Dewi, Nanik Suciati 10

( (

)

∑ ∑

) √∑

(

(

(6)

√∑

(

)

)

(7)

√

( )

) ( )

∑

(8)

untuk data training dan 100 citra dari 10 kelas digunakan untuk data testing. Dataset dapat diunduh pada (Baosheng, 2015). Seluruh data kemudian dilakukan rotasi untuk penyeragaman posisi. Setelah proses rotasi, pengukuran ulang dilakukan terhadap citra sehingga diperoleh citra dengan ukuran yang lebih kecil dari citra awal. Tahap selanjutnya adalah membuat citra biner dengan thresholding Otsu. Tahap terakhir adalah tahap enhancement dengan menyeimbangkan kontras citra.

(9) 400 citra dari 10 kelas

Dimana, x=x1,x2,…xm, dan y1,y2,…ym merepresentasikan nilai atribut m dari dua rechord.

100 data testing

300 data training

3. ARSITEKTUR SISTEM Penelitian ini memiliki arsitektur sistem seperti ditunjukkan pada Gambar 3. Rotasi

Pre-processing citra

Ekstraksi Fitur

Resize citra

Citra biner, dengan piksel background 1 dan piksel area daun 0 Klasifikasi:

Basis Data Daun

k-nearest neighbor dan decision tree Enhancement citra

Gambar 4. Pre-processing Citra Hasil

Gambar 3 Arsitektur Sistem Gambar 3 Arsitektur Sistem Pada tahap pertama, pre-processing yang dilakukan pada citra daun berfungsi untuk menyiapkan citra agar bisa diproses ke tahap selanjutnya, yaitu ekstraksi fitur. Pada tahap ekstraksi fitur, fitur daun yang diekstraksi berupa fitur bentuk dan fitur tekstur. Setelah melalui tahap ekstraksi fitur dan mendapatkan fitur yang diinginkan, tahap selanjutnya adalah tahap klasifikasi yang berfungsi untuk memilah beragam daun ke dalam kelas yang cocok, dalam hal ini adalah spesies tanaman. Pada tahap klasifikasi, classifier yang digunakan adalah k-nearest neighbor dan decision tree. Setelah memperoleh hasil dari proses klasifikasi, maka dilakukan pengujian melalui pengujian akurasi beserta analisisnya.

Gambar 5 adalah contoh data daun yang digunakan dalam penelitian ini, meliputi data training dan data testing. Citra tersebut kemudian dirotasi agar memiliki penampakan yang sama.

3.1 Pre-processing Dalam tahap pre-processing, ada beberapa langkah yang dilakukan untuk kemudahan pemrosesan data pada tahap selanjutnya, yaitu proses ekstraksi fitur. Dalam bentuk ringkas, proses pre-processing citra pada penelitian ini digambarkan pada Gambar 4. Data citra daun yang akan digunakan didapatkan dari dataset flavia. Citra daun yang digunakan dalam penelitian ini berjumlah 400 dengan 10 macam kelas tanaman, data ini displit menjadi 2 bagian yaitu 300 untuk data training dan 100 untuk data testing. Sebanyak 300 citra dari 10 kelas digunakan

Gambar 5. Contoh Data Training dan Testing Gambar 6 merupakan citra hasil rotasi. Setelah dilakukan rotasi, ukuran citra diperkecil karena file berukuran besar. Gambar diperkecil sampai dengan 20% dan metode yang digunakan adalah metode nearest pada fungsi imresize di MATLAB.

Jurnal Cybermatika | Vol. 3 No. 2 | Desember 2015 | Artikel 2 11

lokal, yaitu kontras, correlation, maximum probability, dan entropy.

energy,

homogeneity,

3.2.1 Tekstur

Gambar 6. Hasil dari Split Data Setelah Rotasi

Deskriptor lokal digunakan untuk merepresentasikan tekstur daun. Deskriptor lokal yang digunakan untuk ekstraksi fitur meliputi kontras, correlation, energy, homogeneity, maximum probability, dan entropy (Shabanzade, 2011). Jika Gij adalah jumlah berapa kali piksel dengan tingkat keabuan i terjadi berdampingan dengan tingkat keabuan j dan n adalah jumlah pasangan piksel maka Pij yang merupakan distribusi probabilitas bersama dari pasangan piksel dengan tingkat keabuan i dan tingkat keabuan j dapat dihitung dengan membagi Gij dengan n. Penghitungan piksel yang berdampingan memiliki arah dan jarak, arah sesuai sudut 0 0, 450, 900, dan 1350 dan jarak adalah jarak antar piksel, misalnya 1 atau 2. Penghitungan yang digunakan dalam penelitian ini menggunakan Pij sebagai dasar penghitungan dapat dijelaskan sebagai berikut: 1.

Kontras

Kontras dari sebuah piksel dan tetangganya yang dihitung untuk semua piksel pada citra dapat dihitung dengan Persamaan 10 dimana Pij merupakan distribusi probabilitas bersama dari pasangan piksel dengan tingkat keabuan i dan tingkat keabuan j. Gambar 7. Citra hasil imresize Gambar 7 menunjukkan salah satu citra yang ukurannya telah diperkecil. Untuk proses ekstraksi fitur, citra harus dalam bentuk biner dengan piksel background 1 (putih) dan piksel area daun 0 (hitam). Metode yang digunakan adalah thresholding adaptif menggunakan thresholding Otsu. Thresholding Otsu menggunakan metode clustering untuk proses threshold. Algoritma ini mengasumsikan citra yang akan di-threshold memiliki 2 kelas piksel (bimodal histogram- foreground dan bimodal histogram-background) kemudian menghitung threshold optimal yang memisahkan kedua kelas tersebut.

∑

2.

∑

(

)

(10)

Correlation

Correlation adalah pengukuran korelasi antara satu piksel dengan tetangganya yang dihitung untuk semua piksel pada citra. Jika m adalah mean (nilai rata-rata) piksel pada posisi x dan y dan adalah standar deviasi, maka correlation dapat dihitung berdasarkan Persamaan 11 sebagai berikut:

Citra hasil binerisasi kemudian diberikan teknik image enhancement dengan memperbaiki kontras citra. Imadjust adalah fungsi MATLAB yang digunakan untuk meningkatkan kontras dari citra dengan memetakan nilai intensitas citra ke dalam nilai baru sehingga 1% dari data tersaturasi pada intensitas rendah dan tinggi. Gambar 8 menunjukkan citra hasil binerisasi. Objek daun diberikan nilai piksel 0 sehingga berwarna hitam dan background diberikan nilai 1 sehingga berwarna putih.

∑

∑

(

)(

)

(11)

3.

Energy

Energy adalah penjumlahan dari elemen Co-ocurrence matrix yang dihitung berdasarkan Persamaan 12 dimana Pij merupakan distribusi probabilitas bersama dari pasangan piksel dengan tingkat keabuan i dan tingkat keabuan j.

∑

4. Gambar 8. Citra hasil binerisasi

3.2 Ekstraksi Fitur Ekstraksi fitur pada daun dilakukan menggunakan fitur bentuk dan tekstur. Ekstraksi fitur bentuk dilakukan sesuai fitur global, yaitu aspect ratio, rectangularity, convex area ratio, circularity sedangkan ekstraksi fitur tekstur dilakukan sesuai deskriptor

∑

(12)

Homogeneity

Homogeneity adalah kesamaan (similarity) dari co-ocurrence matrix dan diagonal matrix yang dihitung berdasarkan Persamaan 13 dimana Pij merupakan distribusi probabilitas bersama dari pasangan piksel dengan tingkat keabuan i dan tingkat keabuan j.

Ratih Kartika Dewi, Nanik Suciati 12

∑

5.

∑

(13)

Maximum probability

Maximum probability adalah indikasi respons paling kuat terhadap operasi yang dilakukan terhadap citra. Maximum probability dapat dihitung berdasarkan Persamaan 14:

(

6.

)

seperti terlihat pada Gambar 9 sehingga terbentuk decision rules sebagai berikut: a)

Jika x2<0,971756 kelas=1

b)

Jika x2<0,971756 dan x1>0,00882075 maka kelas=6

c)

Jika x2>=0,971756 , x2<0,989866, x10<0,0249304, x2<0,984328, x1<0,00730527 maka kelas=9

d)

Jika x2>=0,971756 , x2<0,989866, x10<0,0249304, x2<0,984328, x1<0,00730527 dan x10 <0,0151142 maka kelas=4

e)

Jika x2>=0,971756 , x2<0,989866, x10<0,0249304, x2<0,984328, x1<0,00730527 dan x10 >=0,0151142 maka kelas=8

f)

Jika x2>=0,971756 , x2<0,989866, x10<0,0249304, x2<0,984328,x3<0,594106 maka kelas =4.

(14)

Entropy

Entropy adalah rasio randomisasi pada citra yang dapat dihitung berdasarkan Persamaan 15 berikut:

dan

x1<=0,00882075

maka

g)

) (15)

Jika x2>=0,971756 , x2<0,989866, x10<0,0249304, x2<0,984328,x3>=0,594106 maka kelas =9.

h)

Jika x2>=0,971756 , x10>=0,0249304,x10<0,0485376, x3<0,495712 maka kelas=4

Fitur global digunakan untuk merepresentasikan bentuk daun.

i)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304,x10<0,0485376, x9<2,7796, x3<0,495712 dan x8<20038,7 maka kelas=9

j)

Aspect ratio adalah rasio antara Lmax (panjang maksimum) dan Lmin (panjang minimum) pada minimum bounding elips pada citra daun yang dirumuskan pada Persamaan 16.

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304,x10<0,0485376, x9<2,7796, x3<0,495712 dan x8>=20038,7 maka kelas=3

k)

Jika x2>=0,971756 , x10>=0,0249304,x10<0,0485376, x2<0,98425 maka kelas=9

(16)

l)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304,x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478, x4<0,997799 maka kelas=10

∑

∑

(

3.2.2 Bentuk Fitur global yang digunakan untuk ekstraksi fitur meliputi aspect ratio, rectangularity, convex area ratio, circularity (Shabanzade, 2011): 1.

2.

Aspect ratio

Rectangularity

Rectangularity adalah rasio antara region of interest (ROI) dalam hal ini daun dengan aspect ratio yang dirumuskan pada Persamaan 17.

Convex area ratio

n)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304, x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478, x4>=0,997799 dan x2<0,989702 maka kelas=10

o)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304, x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478,x3<0,55944 maka kelas=3

p)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304, x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478,x3>=0,55944 , x10<0,045924 dan x10<0,0269599 maka kelas=3

q)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304, x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478,x3>=0,55944 , x10<0,045924 , x10<0,0269599, x7<1,33499, x3<0,632932 maka kelas=3

r)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304, x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478,x3>=0,55944 , x10<0,045924 , x10<0,0269599, x7>=1,33499 maka kelas=7

Convex area ratio adalah rasio antara area ROI dan convex hull area (Ac) yang dirumuskan pada Persamaan 18.

(18)

4.

Circularity

Circularity adalah pembagian antara mean ROI dan variance ROI yang dirumuskan pada Persamaan 19. (19)

3.3 Klasifikasi dengan Decision Tree Berdasarkan konsep pembentukan decision tree pada bagian 2.1, kita dapatkan decision tree untuk klasifikasi tanaman

x2<0,989866, x9<2,7796, dan

m) Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304, x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478, x4>=0,997799 dan x2>=0,989702 maka kelas=3

(17)

3.

x2<0,989866, x9<2,7796,

Jurnal Cybermatika | Vol. 3 No. 2 | Desember 2015 | Artikel 2 13

s)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304, x10<0,0485376, x9<2,7796, dan x2>=0,98425, x7<1,32478,x3>=0,55944 , x10<0,045924 , x10<0,0269599, x7<1,33499, x3>=0,632932 maka kelas=7

t)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304,x10<0,0485376,x7<1,29881 maka kelas=10

u)

Jika x2>=0,971756 , x2<0,989866, x10>=0,0249304,x10<0,0485376,x7>=1,29881 maka kelas=1

v)

Jika x2>=0,971756 , x2<0,989866, x10<0,0360232 maka kelas=5

w) Jika x2>=0,971756 , x2<0,989866, x10<0,0360232 dan x2<0,991 maka kelas=10 x)

Jika x2>=0,971756 , x2<0,989866, x10<0,0360232 dan x2<0,991 maka kelas=2

Dimana x adalah fitur bentuk atau tekstur dengan x1 adalah kontras, x2 correlation, x3 energy, x4 homogeneity,x5 maximum probability, x6 entropy, x7 aspect ratio, x8 rectangularity, x9 convex area ratio dan x10 adalah circularity.

Gambar 9. Decision Tree Klasifikasi Tanaman Apabila ada data baru yang tidak diketahui kelasnya (tanaman dengan spesies apa), maka kita bisa memprediksi spesies tersebut berdasarkan decision tree yang telah terbentuk seperti pada Gambar 9.

3.4 Klasifikasi dengan K nearest neighbor Klasifikasi dengan KNN sesuai konsep klasifikasi pada bagian 2.2, dalam penelitian ini digunakan nilai k mulai dari 1 sampai dengan 10 dan jarak Euclidean, cityblock, cosine, correlation dan hamming.

tanaman melalui daun karena warna daun relatif sama, yaitu hijau. Fitur warna lebih cocok digunakan untuk identifikasi penyakit daun karena terdapat perbedaan warna antara daun sehat dan sakit. Setelah ekstraksi fitur dilakukan, kemudian dilakukan pengujian dengan metode klasifikasi yang berbeda, yaitu dengan membandingkan metode klasifikasi k-nearest neighbor dan decision tree. Pengujian sistem dalam penelitian ini dilakukan dengan menguji pada membandingkan metode klasifikasi decision tree dan k-nearest neighbor dengan variasi nilai k mulai dari 1 sampai 10 dan variasi perhitungan jarak, melalui perhitungan jarak Euclidean, Cityblock, Cosine, Correlation, dan Hamming. Implementasi program dilakukan dengan MATLAB dan dilakukan pengujian akurasi melalui metode klasifikasi k-nearest neighbor dengan variasi jarak dan nilai k dan decision tree. Hasil pengujian dapat dideskripsikan pada Tabel 1 sebagai berikut:

Tabel 1. Pengujian akurasi nearest neighbor K=1

K=2

K=3

K=4

K=5

Euclidean

42

42

44

47

43

Cityblock

42

42

44

47

43

Cosine

42

42

44

47

43

Correlation

42

42

44

47

43

Hamming

42

42

44

47

43

K=6

K=7

K=8

K=9

K=10

Euclidean

45

42

41

40

40

Cityblock

45

42

41

40

40

Cosine

45

42

41

40

40

Correlation

45

42

41

40

40

Hamming

45

42

41

40

40

Pengujian akurasi dengan variasi nilai k dan metode penghitungan distance pada Tabel 1 menunjukkan bahwa hasil akurasi sangat bergantung pada penentuan nilai k. Nilai akurasi rata-rata untuk nilai k=1 sampai dengan 10 adalah 38,5 %. Dengan akurasi tertinggi pada nilai k=4 yaitu 47 % dan akurasi terendah pada nilai k=9 dan k=10 yaitu 40 %. Metode penghitungan jarak yang digunakan menunjukkan bahwa tidak ada pengaruh antara perbedaan metode penghitungan dengan nilai pengujian akurasi.

Dalam Tabel 2 terlihat bahwa rata-rata akurasi pada metode knearest neighbor yaitu 38,5 % sedangkan decision tree memberikan hasil akurasi yang lebih tinggi daripada metode knearest neighbor, yaitu 80% sehingga dapat menjadi solusi yang baik untuk permasalahan ini selain mengatasi permasalahan ketergantungan variabel k pada metode k-nearest neighbor.

4. ANALISIS DAN PENGUJIAN Citra daun dengan 10 macam kelas digunakan untuk data training sebanyak 300 data dan 100 data untuk data testing. Tahap pre-processing memperbaiki kualitas citra dan menghasilkan citra biner yang kemudian diproses ke dalam tahap selanjutnya, yaitu ekstraksi fitur. Pada penelitian ini fitur yang digunakan untuk pengenalan pola daun adalah fitur bentuk dan tekstur. Fitur bentuk dilakukan melalui fitur global, yaitu aspect ratio, rectangularity, convex area ratio, circularity sedangkan ekstraksi fitur tekstur dilakukan sesuai deskriptor lokal, yaitu kontras, correlation, energy, homogeneity, maximum probability, dan entropy. Fitur warna dalam hal ini kurang representatif untuk klasifikasi

Tabel 2. Pengujian akurasi beragam metode klasifikasi Metode klasifikasi

Akurasi

k-Nearest neighbor

38,5 %

Decision tree

80 %

5. KESIMPULAN Klasifikasi jenis tanaman dapat diidentifikasi melalui daun. Fitur dari daun yang dapat diekstraksi adalah fitur bentuk dan tekstur. Dalam penelitian ini diusulkan metode decision tree

Ratih Kartika Dewi, Nanik Suciati 14

untuk klasifikasi tanaman karena metode tersebut tidak memiliki ketergantungan dengan variabel lain, seperti ketergantungan nilai k pada metode klasifikasi nearest neighbor. Pada pengujian citra daun dengan nilai k=1 sampai 10 untuk metode klasifikasi nearest neighbor, akurasi rata-rata untuk nilai k=1 sampai dengan 10 adalah 38,5 %. Dengan akurasi tertinggi pada nilai k=4 yaitu 47 % dan akurasi terendah pada nilai k=9 dan k=10 yaitu 40 %. Metode penghitungan jarak yang digunakan menunjukkan bahwa tidak ada pengaruh antara perbedaan metode penghitungan dengan nilai pengujian akurasi. Data daun yang diklasifikasikan melalui ekstraksi fitur bentuk dan tekstur menghasilkan akurasi 80% saat menggunakan metode klasifikasi decision tree, sedangkan metode klasifikasi nearest neighbor menghasilkan akurasi rata-rata 38,5 %. Oleh karena itu decision tree dapat menjadi solusi yang baik untuk mengatasi permasalahan ketergantungan variabel pada metode k-nearest neighbor.

6. SARAN Penelitian lebih lanjut dapat dilakukan dengan menggunakan model klasifikasi yang berbeda untuk meningkatkan akurasi. Pada penelitian saat ini menggunakan decision tree didapatkan tingkat akurasi sebesar 80%, kesalahan prediksi kelas tanaman salah satunya disebabkan adanya nilai fitur yang memiliki nilai tidak jauh berbeda sehingga menghasilkan perbedaan yang tidak begitu signifikan antar kelas yang akan diprediksi. Oleh karena itu, perlu adanya variasi model klasifikasi (classifier) untuk meningkatkan akurasi.

7. REFERENSI Ab Jabal, Mohamad Faizal, et al. "LEAF FEATURES EXTRACTION AND RECOGNITION APPROACHES TO

CLASSIFY PLANT." Journal of Computer Science 9.10 (2013): 1295. Baosheng. http://sourceforge.net/projects/flavia/files/Leaf%20 Image %20Dataset/1.0/Leaves.tar.bz2/download. Tanggal akses: 9 Desember 2015. Kadir, A., L.E. Nugroho, A. Susanto and P.I. Santosa, 2011. A comparative experiment of several shape methods in recognizing plants. Int. J. Comput. Sci. Inform. Technol., 3: 256-263. DOI: 10.5121/ijcsit.2011.3318. Kadir, Abdul, et al. "Leaf classification using shape, color, and texture features." arXiv preprint arXiv:1401.4447 (2013). Luukka, Pasi. "Similarity classifier using similarities based on modified probabilistic equivalence relations." KnowledgeBased Systems 22.1 (2009): 57-62. Shabanzade, Maliheh, Morteza Zahedi, and Seyyed Amin Aghvami. "Combination of local descriptors and global features for leaf recognition." Signal and Image Processing: An International Journal (SIPIJ). v2 i3 (2011): 23-31. Wu, S.G., F.S. Bao, E.Y. Xu, Y.X. Wang and Y.F. Chang et al., 2007. A leaf recognition algorithm for plant classification using probabilistic neural network. Proceedings of the IEEE 7th International Symposium on Signal Processing and Information Technology, Dec. 15-18, IEEE Xplore Press, Giza, pp: 11-16. DOI: 10.1109/ISSPIT.2007.4458016 Zulkifli, Z., S. Puteh and I.A. Mohtar, 2011. Plant leaf identification using moment invariants and general regression neural network. Proceedings of the 11th International Conference on Hybrid Intelligent Systems, Dec. 5-8, Melacca, pp: 430-435. DOI: 10.1109/HIS.2011.6122144.

Jurnal Cybermatika | Vol. 3 No. 2 | Desember 2015 | Artikel 2 15