APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK

APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN

DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK

Pauzi Ibrahim Nainggolan1, Yeni Herdiyeni2

1Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, [email protected]

2Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, [email protected]

INTISARI PAUZI IBRAHIM NAINGGOLAN. Aplikasi Mobile untuk Identifikasi Tumbuhan Obat menggunakan Local Binary Patterns dengan Klasifikasi Probabilistic Neural Network di bombing oleh YENI HERDIYENI.

Penelitian ini mengusulkan aplikasi mobile untuk identifikasi tumbuhan obat. Local Binary Pattern (LBP) digunakan untuk mengekstraksi fitur-fitur dari gambar and Probabilistic Neural Network (PNN) digunkan untuk klasifikasi tumbuhan obat pada perangkat mobile.LBPP,Rriu2 adalah descriptor yang digunakan pada penelitian ini, descriptor ini menggunakan rotation invariant dan uniform patterns untuk memperoleh fitur tekstur pada gambar. Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android. Data yang digunakan adalah foto tumbuhan obat dari Kebun Raya Bogor-Indonesia yang terdiri atas 15 spesies dengan 10 variasi gambar untuk setiap spesies. Penelitian menghasilkan akurasi dari identifikasi adalah 31.11% dan membutuhkan waktu rata-rata 50.02 detik. Hasil penelitian ini menunjukkan bahwa data yang digunakan masih sedikit, untuk itu penelitian ini membutuhkan data yang lebih banyak dan pengkajian lebih lanjut untuk meningkatkan akurasi. Aplikasi yang baru pada perangkat mobile ini berguna untuk masyarakat dan peneliti dalam mengidentifikasi tumbuhan obat.

Kata Kunci: Android, LBP, Tumbuhan Obat, Aplikasi Mobile, PNN.

ABSTRACT PAUZI IBRAHIM NAINGGOLAN. Mobile Application for Medicinal Plants Identification using Local Binary Patterns Descriptor and Probabilistic Neural Network Method. Supervised by YENI HERDIYENI.

This research proposed a new mobile application for medicinal plants identification. Local Binary Pattern (LBP) is used to extract image features and Probabilistic Neural Network (PNN) is used to classify medicinal plants on mobile phone. LBPP,Rriu2 was used as LBP descriptor in this research, which using rotation invariant and uniform patterns of image texture. The aim of this research was to implement this application in open source Android 2.3 (Gingerbread) operating system. Datas is we used medicinal leaf image from Botanical Garden, Bogor Indonesia at consist of 15 species with 10 variation for each species. The experimental showed that the accuracy of identification is 31.11% and computation time is 50.02 seconds. The experimental result show that we use small dataset, so this research need to be explore further to improve the accuracy. This new mobile application is usefull to help user for plant identification.

Keywords: Android, LBP, medicinal plant, mobile application, PNN.

PENDAHULUAN

Indonesia merupakan Negara yang kaya akan keanekaragaman spesies tumbuhan

obat, Indonesia memiliki lebih dari 38 000 spesies tumbuhan obat (Bappenas 2003).

Potensi pemanfaatan tumbuhan obat sangat besar apabila dapat dilakukan langsung oleh

2

masyarakat luas, namun untuk dapat mengenali manfaat dari setiap tumbuhan obat itu

sendiri bagi masyarakat luas sulit dilakukan. Beberapa masyarakat melakukannya

dengan membandingkan gambar daun yang akan diidentifikasi dengan gambar daun

yang terdapat pada buku atau melakukannya di laboratorium secara manual oleh ahli di

bidang taxonomy tumbuhan obat. Hal tersebut membutuhkan waktu dan biaya yang

banyak.

Penelitian mengenai pengenalan tumbuhan obat sudah dilakukan dengan komputasi

berbasiskan gambar. Pengenalan tumbuhan obat dengan mengekstrasksi ciri daun yang

telah dilakukan masih di lingkungan komputer desktop. Dengan berkembangnya

teknologi mobile, akan lebih bermanfaat jika aplikasi dibangun pada perangkat mobile,

karena dapat dibawa kemana saja.

Penelitian ini mengembangkan sebuah perangkat lunak yang dapat mengidentifikasi

tumbuhan obat pada handset yang berbasiskan sistem operasi Android. Sesuai dengan

penelitian Speckmann (2008), untuk saat ini platform yang paling baik digunakan dalam

pengembangan aplikasi pada handset adalah sistem operasi Android. Diharapkan

aplikasi ini dapat memberikan informasi yang relevan kepada masyarakat untuk

identifikasi tumbuhan obat.

Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi

tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android. Teknik

identifikasi yang digunakan adalah Local Binary Pattern (LBP) dengan klasifikasi

Probabilistic Neural Network (PNN).

Ruang lingkup penelitian ini adalah:

1 Data diperoleh dari hasil pengambilan citra 15 jenis tumbuhan obat menggunakan

kamera pada perangkat mobile yang berasal dari kebun Raya Bogor.

2 Penelitian ini menggunakan Operator LBP dengan descriptor LBP24,3riu2 .

3 Aplikasi yang dibangun pada perangkat mobile dengan sistem operasi Android™ 2.2

(Froyo).

TINJAUAN PUSTAKA

Tumbuhan Obat

Indonesia merupakan negara yang kaya akan tumbuhan tropis. Jumlah tumbuhan

tropis di Indonesia sekita 38 000 spesies (Damayanti 2008). Diantara 38 000 spesies

3

tersebut, sampai dengan 2001 data spesies tumbuhan obat yang dapat diidentifikasi

hanya 2 039 spesies (Zuhud 2009). Damayanti et al. (2011) mengemukakan tantangan

dalam identifikasi tumbuhan obat adalah:

1 Mendorong generasi muda untuk menjadi ahli taksonomi.

2 Mendorong generasi muda untuk melanjutkan warisan dari nenek moyang dalam

pengenalan dan identifikasi spesies tumbuhan obat-obatan.

3 Mengembangkan lembaga yang lebih berwenang untuk identifikasi specimen.

4 Mengembangkan teknologi yang mengurangi masalah dalam identifikasi.

5 Mengembangkan jaringan dengan para stakeholder dalam bidang teknologi.

Local Binary Patterns

Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur

pada mode warna grayscale. LBP pertama sekali diperkenalkan oleh Timo Ojala. LBP

digunakan untuk mencari pola pada citra (texture in local neighborhood) (Mäenpää

2003).

LBP adalah sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular

neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar

1. Notasi gi merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel

(piksel ketetanggaan dan piksel pusat gc) digunakan sebagai nilai ambang batas

(threshold) untuk memotong setiap nilai piksel ketetanggaan untuk mendapatkan kode

binernya.

Gambar 1 Circular neighborhood delapan sampling points.

Untuk mendapatkan nilai LBP, kode-kode biner yang telah didapatkan, dikalikan

dengan pembobotan binernya. Gambar 2 menunjukkan operasi dasar LBP. Pola-pola

biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan

sebagainya.

4

Gambar 2 Contoh perhitungan nilai LBP.

Formulasi LBP dapat dituliskan sebagai berikut:

LBP P,R (xc,yc)= s(gp-gc)2pP-1

p=0 ………………………………………………… [1]

dimana :

s x = 1 x≥00 x<0

dimana :

xc dan yc adalah koordinat pusat piksel ketetanggaan,

p adalah circular sampling points,

P adalah banyaknya sampling points,

gp adalah nilai keabuan dari 𝑝,

gc  adalah nilai piksel pusat, dan

𝑠 adalah sign (kode biner).

Nilai-nilai LBP selanjutnya direpresentasikan melalui histogram. Histogram

menunjukkan frekuensi kejadian berbagai nilai LBP. Setelah mendapatkan nilai LBP

pada setiap neighborhood (blok i,j ), untuk ukuran citra NxM, tekstur citra

direpresentasikan dengan membentuk histogram:

H k = f LBPP,R i,j ,k , k∈ 0,K        Mj=1

Ni=1  ……………………………………… [2]

dengan f x,y =1 , x = y

0, selainnya

dan K merupakan nilai LBP terbesar.

Perhitungan nilai LBP seperti pada Gambar 3 ditentukan oleh radius (R) dari jumlah

sampling points (P), sehingga Local Binary Patterns dinotasikan sebagai LBP(P,R).

Semakin besar nilai P akan meningkatkan informasi tekstur yang didapat. Urutan

5

pengodean LBP yang bersifat tetap menyebabkan ada sejumlah 2+P jumlah pola LBP.

Gambar 3 memperlihatkan contoh operator LBP dengan beberapa nilai P dan R.

Gambar 3 Operator LBP.

Rotation Invariant Uniform Patterns (LBPP,Rriu2)

Penggabungan antara uniform patterns dan rotation invariant dilambangkan LBPP,Rriu2.

Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling

points P dan radius R. LBPP,Rriu2 merupakan ukuran ketidaksensitifan (invariant) terhadap

perubahan grayscale. LBPP,Rriu2 merupakan ukuran yang digunakan untuk pola spasial.

Jumlah pola yang dihasilkan uniform patterns adalah P P-1 +2 bins. Ketika uniform

patterns dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang

dihasilkan menjadi P+1 bins. Rotation invariant uniform patterns diformulasikan

sebagai berikut:

LBPP,Rriu2=s gp-gc

P-1p=0 , if U LBPP,R ≤2

P + 1 , & selainnya ……………………………………… [3]

Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit

satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P,

banyaknya sampling points sama dengan delapan, nilai 𝐿𝐵𝑃P,Rriu2 adalah nol sampai

dengan P. Jika bukan uniform patterns, nilai bin terakhir ditambahkan satu, yaitu bin

ke-P+1 yang merupakan single bin non uniform patterns (Mäenpää 2003).

Probabilistic Neural Network (PNN)

PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema

probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht

pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Training data

PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang

dimasukkan (tersedia) (Wu et al. 2007).

6

Gambar 4 Struktur PNN.

Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan

penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek 𝑥

yang terdiri atas 𝑘 nilai ciri yang akan diklasifikasikan pada 𝑛 kelas. Struktur PNN

ditunjukkan pada Gambar 4. Proses-proses yang terjadi setelah lapisan masukan ialah:

1 Lapisan pola (pattern layer)

Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.

Setiap node pola merupakan perkalian titik (dot product) dari vektor masukan 𝑥 yang

akan diklasifiksikan dengan vektor bobot xij, yaitu Zi=x . xij, Zi kemudian dibagi

dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis,

yaitu radbas n = exp (-n)2. Dengan demikian, persamaan yang digunakan pada

lapisan pola ialah.

f x =exp -(x-xij)

T(x-xij)

2σ2

2

……………………………………………….………… [4]

2 Lapisan penjumlahan (summation layer)

Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada.

Persamaan yang digunakan pada lapisan ini adalah:

p x = 1

(2π)k2 σk t

exp(-(x-xij)

T(x-xij)

2σ2)2

ti=1 ………………………………….…………. [5]

7

3 Lapisan keluaran (output layer)

Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai

pY x paling besar dibandingkan kelas lainnya.

METODE PENELITIAN

Penelitian ini dilakukan dengan model client server menggunakan dua perangkat

yaitu handset pada front-end dan server sebagai back-end seperti terlihat pada Gambar

5.

Gambar 5 Model client server.

Setiap perangkat memiliki alur proses yang terkait dengan perangkat lainnya.

Perangkat pada server mengekstrak data citra latih untuk mendapatkan model

klasifikasi. Model klasifikasi ini didistribusikan ke perangkat handset untuk digunakan

pada proses klasifikasi.

Pada handset sendiri proses tidak berbeda jauh dengan proses pada server. Aplikasi

pada sisi client dapat mengekstraksi dan mengklasifikasikan citra masukan. Namun,

handset tidak menghasilkan model klasifikasi, hanya menggunakan model klasifikasi

yang telah dihasilkan oleh server seperti terlihat pada Gambar 6.

Gambar 6 Metode penelitian.

8

Ekstraksi Fitur Tekstur Tumbuhan Obat

Proses ekstraksi fitur pada penelitian ini menggunakan descriptor LBPP,Rriu2. Proses

awal ekstraksi citra ialah mengubah citra RGB menjadi citra grayscale seperti terlihat

pada Gambar 7. Proses ini dilakukan pada server dan client. Penentuan objek daun pada

citra grayscale pada client menggunakan deteksi tepi canny.

Gambar 7 Perubahan mode warna citra.

Pengolahan selanjutnya membagi citra ke dalam beberapa blok (local region) sesuai

dengan descriptor dan operator circular neighborhood (sampling points dan radius)

yang digunakan. Penelitian ini menggunakan descriptor dan operator LBP24,3riu2 dengan

kuantisasi sudut 15 derajat.

Penentuan ukuran blok dan kuantisasi sudut yang digunakan untuk satu local region

menggunakan formula berikut:

blok= radius × 2 +1 .……………………………………………….…………………………….. [6]

kuantisasi sudut= 2πP

……………………………………………….……………………………... [7]

Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 8.

Gambar 8 Ilustrasi pembagian ukuran blok.

Ekstraksi tekstur dilakukan pada setiap blok. Setiap blok overlapping dengan blok

berikutnya dengan jarak satu piksel. Masing-masing blok diekstraksi menggunakan

Local Binary Pattern descriptor, yaitu: LBPP,Rriu2.

Ekstraksi tekstur dengan LBPP,Rriu2

Ekstraksi tekstur menggunakan LBPP,Rriu2 descriptor mengolah setiap blok (local

region) pada suatu citra menggunakan persamaan (3). Hasil dari pengolahan setiap blok

menghasilkan pola LBP. Kemudian pola LBP setiap blok diidentifikasi masuk ke dalam

uniform patterns atau nonuniform patterns. Jika termasuk uniform patterns, dihitung

9

banyaknya bit satu yang ada pada pola tersebut yang akan menentukan letak bin

uniform patterns tersebut berada.

Gambar 9 Pembentukan histogram.

Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang

merupakan frekuensi nilai LBPP,Rriu2 seluruh blok pada suatu citra. Ilustrasi pembentukan

histogram ditunjukkan pada Gambar 9. Histogram LBPP,Rriu2 descriptor memiliki P+ 2

bin dengan P merupakan banyaknya sampling points yang digunakan. Bin pertama

sampai dengan P+1 merupakan bin uniform patterns, sedangkan bin terakhir (P+2)

merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan

LBPP,Rriu2 diolah menggunakan operator (24,3).

Identifikasi Citra dengan Probabilistic Neural Network (PNN)

Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram. Tahapan

selanjutnya ialah menglasifikasikan vektor-vektor histogram tersebut dengan PNN.

Klasifikasi dilakukan dengan membagi data latih dan data uji. Data yang digunakan

pada data citra daun tumbuhan obat sebanyak 10 citra dari setiap kelas dengan

pembagian 7 citra data latih dan 3 citra data uji.

Data citra latih digunakan pada server untuk mendapatkan model klasifikasi. Model

klasifikasi tersebut lalu didistribusikan ke client. Pada sisi client model klasifikasi tersebut digunakan sebagai lapisan pola untuk identifikasi kelas keputusan dari citra query.

Evaluasi Evaluasi data yang dilakukuan oleh aplikasi menggunakan 2 parameter, yaitu dengan

penilaian tingat keberhasilan klasifikasi terhadap citra kueri dan waktu proses pada

client. Evaluasi dari kinerja model klasifikasi didasarkan pada banyaknya data uji yang

diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung

menggunakan akurasi yang didefinisikan sebagai berikut:

akurasi= banyaknya prediksi yang benartotal banyaknya prediksi

100% ………………………………………….…………... [8]

Evaluasi waktu proses dari aplikasi didasarkan pada waktu ekstraksi dan waktu proses

klasifikasi. Evaluasi waktu proses identifikasi dimaksudkan untuk kelayakan dari

aplikasi yang berjalan pada perangkat mobile.

10

Perangkat Keras dan perangkat Lunak

Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel (R) Core

(TM) i5 CPU M 460 @2.53GHz (4CPus)~2.5GHz, memori DDR RAM 4 GB, dan

harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows 7

Home, Eclipse IDE for Java Developers Version: Helios Service Release 2 dan Android

Development Toolkit Version: 16.0.1.v201112150204-238534.

HASIL DAN PEMBAHASAN Pengembangan Aplikasi Mobile

Pengembangan aplikasi pada penelitian ini menggunakan bahasa pemograman Java

dengan library OpenCV 2.1 pada perangkat mobile dengan sistem operasi Android.

Aplikasi yang dibangun diberi nama MedLeaf yang memiliki fasilitas untuk dapat

mengidentifikasi citra query dari pengguna.

Citra query dapat diambil langsung menggunakan kamera atau gallery bergantung

kebutuhan pengguna. Citra query yang akan diidentifikasi sebelum diekstraksi

dilakukan praproses. Citra hasil praproses diekstraksi dengan LBP24,3riu2 . Proses ekstraksi

citra menghasilkan vector histogram. Nilai vector histogram tersebut menjadi lapisan

masukan pada klasifikasi dengan PNN. Lapisan pola yang digunakan pada klasifikasi

PNN digunakan dari hasil training pada server. Antarmuka aplikasi yang telah

dibangun dapat dilihat pada Gambar 10.

Gambar 10 Antarmuka aplikasi untuk identifikasi.

Hasil klasifikasi dengan PNN ialah lima besar kelas citra yang mempunya jarak

terdekat dengan citra query. Lima citra terdekat tersebut ditampilkan pada aplikasi

berdasarkan peringkat kedekatan. Citra hasil identifikasi juga menampilkan informasi

umum dari tumbuhan tersebut. Aplikasi yang dikembangkan juga memiliki fasilitas

untuk upload citra yang diakuisisi oleh pengguna. Fasilitas ini dimaksudkan untuk

memperkaya koleksi citra pada server.

11

Hasil Praproses

Sebelum mengekstrak ciri tekstur pada citra, dilakukan tahap praproses. Pada awal

tahapan praproses, dilakukan perubahan mode warna citra menjadi grayscale.

Selanjutnya, perbaikan citra dilakukan dengan mengubah ukuran citra.

Gambar 11 Praproses

Tahapan praproses pada server dilakukan secara manual, sedangkan pada aplikasi

mobile dilakukan secara otomatis dengan penskalaan dan pemotongan citra. Penentuan

objek daun pada citra dengan merubah mode grayscale ke mode binary dengan deteksi

tepi canny. Citra hasil proses dengan canny diterapkan fungsi findContour yang terdapat

pada library OpenCV. Nilai-nilai pixel hasil fungsi findContour terluar menjadi batas

nilai pixel objek daun, selainnya nilai dibuang atau diputihkan dengan merubah nilai

pixel tersebut menjadi 255. Tahap praproses pada aplikasi mobile dilakukan tanpa

menghilangkan informasi tekstur dari citra tersebut.

Contoh dengan citra hasil akuisisi menggunakan kamera 8 megapixel menghasilkan

citra dengan ukuran 3268x1952. Digunakan teknik penskalaan dan pemotongan citra

untuk mendapatkan ukuran 270x240 piksel sesuai dengan data latih seperti terlihat pada

Gambar 11. Tahapan praproses ini bertujuan untuk mengurangi waktu pemrosesan

data (computation time) dan penentuan objek tekstur yang akan dievaluasi.

Evaluasi Hasil Identifikasi Citra dengan LBPP,Rriu2 Mobile

Hasil identifikasi setiap kelas tumbuhan obat pada aplikasi mobile menggunakan

nilai sampling point dan radius yang sama dengan server yaitu dengan P = 24 dan R =

3. Nilai evaluasi akurasi hasil identifikasi pada aplikasi mobile disajikan pada Tabel 1

dalam satuan persen.

Tabel 1 Hasil identifikasi pada aplikasi mobile

Nama  Tumbuhan   Akurasi  

Akar  Kuning   33.33%  Alamanda   66.67%  

12

Dandang  Gendis   0.00%  Daruju   0.00%  Ekor  Kucing   66.67%  Handeuleum   0.00%  Iler   66.67%  Jambu  Biji   33.33%  Jarak  Pagar   0.00%  Kumis  kucing   33.33%  Pecah  Batu   0.00%  Puring   66.67%  Sambang  Darah   33.33%  Seuseureuhan   33.33%  Sosor  Bebek   33.33%  Total  Rata-­‐rata   31.11%  

Hasil akurasi dari 15 kelas citra yang diuji pada aplikasi mobile menghasilkan nilai

rata-rata akurasi 31.11%. Perbedaan dengan hasil identifikasi pada server dipengaruhi

oleh beberapa faktor yaitu: jumlah data tumbuhan, jumlah jenis tumbuhan dan tahapan

praproses yang berbeda antara server dan aplikasi mobile. Pada penelitian ini,

digunakan 10 data citra daun untuk setiap kelas tumbuhan obat. Data citra daun dibagi

70% untuk data citra latih dan 30% untuk data citra uji.

Akurasi dari setiap citra yang diambil menggunakan perangkat mobile memiliki

property intensitas cahaya, sudut pengambilan gambar, dan jarak kamera dengan objek

gambar yang beragam seperti yang ditunjukkan pada gambar 12. Pemanfaatan flash

light pada perangkat mobile yang menyediakan fasilitas tersebut, dapat menstabilkan

intensitas cahaya, mengurangi area gelap dan memberikan kontras dari tekstur setiap

objek. Jarak dan sudut pengambilan gambar yang bagus dapat memberikan informasi

tekstur objek dengan lebih rinci dan detail. Pengambilan gambar juga tidak harus

seluruh area daun, karna aplikasi ini fokus pada tekstur daun.

Gambar 12 Teknik akuisisi yang berpengaruh dalam identifikasi tumbuhan obat.

Evaluasi Waktu Proses Identifikasi Citra dengan LBPP,Rriu2 Mobile

Data citra daun tumbuhan obat yang diakuisisi langsung menggunakan perangkat

mobile lalu diekstraksi dengan LBP24,3riu2 dan klasifikasi dengan PNN mempunyai waktu

13

proses yang cukup layak dengan rata-rata 50.02 detik. Selengkapnya rata-rata waktu

komputasi yang diperlukan untuk setiap kelasnya ada pada Tabel 2.

Tabel 2 Waktu komputasi pada perangkat mobile dengan LBP24,3riu2

Nama  Tumbuhan   Waktu  Proses(detik)  Akar  Kuning   49.14  Alamanda   50.62  Dandang  Gendis   49.92  Daruju   50.28  Ekor  Kucing   49.71  Handeuleum   48.09  Iler   51.24  Jambu  Biji   49.37  Jarak  Pagar   49.35  Kumis  kucing   49.33  Pecah  Batu   51.95  Puring   49.23  Sambang  Darah   50.77  Seuseureuhan   49.29  Sosor  Bebek   51.96  Total  Rata-­‐rata   50.02  

Waktu proses dari setiap data daun merupakan rata-rata dari tiga sample citra. Waktu

proses yang cukup lama ini dipengaruhi oleh nilai sampling point dan radius yang

cukup besar. Tahapan praproses pada aplikasi ini membantu dalam mengurangi waktu

proses ekstraksinya. Besaran dari model klasifikasi juga ikut mempengaruhi waktu

proses identifikasi, namu pengaruhnya tidak sebesar nilai sampling point dan radius.

KESIMPULAN DAN SARAN Kesimpulan

Pengembangan aplikasi untuk identifikasi tumbuhan obat menggunakan LBP dengan

klasifikasi PNN pada perangkat mobile yang berbasiskan sistem operasi Android

berhasil dilakukan. LBP yang digunakan adalah LBPP,Rriu2 dengan nilai sampling point

dan radius 24,3.

Ekstraki dengan LBP24,3riu2 dan klasifikasi dengan PNN menghasilkan nilai akurasi

yang sama yaitu 31.11%. Masing-masing teknik ekstraksi memiliki waktu proses yang

berbeda pada perangkat mobile untuk LBP24,3riu2 menghasilkan waktu rata-rata 50.02

detik.

14

Saran

Penelitian ini menggunakan data citra yang relatif sedikit jumlahnya, sehingga untuk

penelitian selanjutnya diharapkan memiliki data citra yang lebih banyak jumlah setiap

kelas dan jumlah kelasnya. Penggunaan look-up table untuk mempercepat waktu

komputasi pada mobile. Mengembangkan sistem segmentasi dalam penentuan objek

untuk meningkatkan akurasi.

UCAPAN TERIMA KASIH Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada

Allah Subhanallah Wata’ala atas limpahan rahmat dan hidayah-Nya, sehingga penulis

dapat menyelesaikan penelitian yang berjudul “Aplikasi Mobile Untuk Identifikasi

Tumbuhan Obat Menggunakan Local Binary Pattern dengan Klasifikasi Probabilistic

Neural Network” dengan lancar dan baik. Penelitian ini dilaksanakan mulai Februari

2012 sampai dengan Juli 2012, bertempat di Departemen Ilmu Komputer.

Penulis juga menyampaikan ucapan terima kasih kepada:

1. Ayah Dr. H. Hamonangan Nainggolan M.Sc, Ibu Jusridawati Situmeang, dan kakak-

adik tercinta, Yasser Hudan Nainggolan SE AK, Sarah Mahdia SSi, Aisyah Hudaya,

dan Maulana Assalam Nainggolan yang tidak henti-hentinya memberikan doa, kasih

sayang, dan dukungan kepada penulis.

2. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah

memberikan arahan dan bimbingan dengan sabar kepada penulis dalam

menyelesaikan skripsi ini.

3. Bapak Musthofa, S.Komp, M.Sc dan Ibu Karlina Khiyarin Nisa S.Kom, M.T.

selaku dosen penguji atas kemudahan dan ilmu yang telah diberikan kepada penulis.

4. Teman-teman satu bimbingan Canggih Trisyanto, Mayanda Mega, Ni Kadek, Oki

Maulana, Desta Sandya , Ryanti Octaviani, Siska Susanti, dan Tomy Kurniawan atas

saran, masukan dan nasihat yang diberikan kepada penulis.

5. Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala

kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.

6. Teman-teman kosan White House Arif Hadiwibowo, Ari AlKautsar, Desta, Rahmat

Setyawan, Jefri, dan Zulhan Arief S.Si M.si.

7. Saudara-saudara yang telah berkontribusi dalam skripsi ini Ari Wibowo Astono,

Budi Hartono Siregar ST, dan Arief Seno Prabowo SE.

15

DAFTAR PUSTAKA

Speckmann B. 2008. The Android mobile platform [skripsi]. Michigan: Department of

Computer Science, Eastern Michigan University.

Damayanti, EK. 2008. Legality of national parks and involvement of local people: case

studies in Java, Indonesia and Kerala, India[Dissertation]. Tsukuba: Doctoral

Program, University of Tsukuba.

Zuhud, EAM. 2009. Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan Obat

dalam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia 6(6):227-232

Damayanti EK, Hikmat A, Zuhud EAM. 2011. Indonesian tropical medicinal plants

diversity: problems and challenges in identification. Di dalam: International

Workshop “Linking Biodiversity and Computer Vision Technology to Enhance

Sustainable Utilization of Indonesian Tropical Medicinal Plants". Prosiding

Pertemuan Ilmiah Tahunan; Bogor, 11 Aug 2011. Bogor: Department of Forest

Resources Conservation and Ecotourism. Faculty of Forestry. Bogor Agricultural

University. hlm 1

Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu

University Press.

Wu SG, et al. 2007. A leaf recognition algorithm for plant using probabilistic neural

network. Di dalam: IEEE 7th International Symposium on Signal Processing and

Information Technology. Prosiding Pertemuan Ilmiah Tahunan; Cairo, 1 Nov 2007.

Cairo: IEEE. hlm 3