bab i pendahuluanperpustakaan.fmipa.unpak.ac.id/file/skripsi lengkap.pdfobat adalah metode kode...
TRANSCRIPT
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Indonesia merupakan salah satu negara yang kaya akan keanekaragaman
jenis tanaman obat. Hal ini dibuktikan dari 40.000 jenis tumbuhan di dunia,
30.000 ribu merupakan spesies tumbuhan tingkat tinggi yang ada di Indonesia dan
7.000 diantaranya merupakan tumbuhan berkhasiat obat (Saifudin et al. 2011).
Keanekaragaman jenis tanaman obat dapat membuat identifikasi tanaman
obat menjadi sulit. Proses pengidentifikasian tanaman obat dapat dilakukan
menggunakan berbagai cara, salah satunya dengan cara text book mengenai
taksonomi. Jika pengidentifikasian dilakukan secara text book maka diperlukan
waktu yang lama dan mengalami cukup kesulitan. Salah satu alternatif untuk
mengidentifikasi tanaman obat dapat dilakukan dengan cara berbasis citra.
Identifikasi berbasis citra merupakan proses membandingkan citra dengan melihat
kesamaan ciri suatu citra. Berbeda dengan identifikasi berbasis teks yang
membandingan karakter atau kata dengan teks yang lain. Untuk mempermudah
dalam identifikasi citra diawali dengan ekstraksi ciri yaitu mendapatkan penciri
dari citra tersebut.
Ekstraksi ciri merupakan salah satu teknik untuk mendapatkan pola atau
penciri suatu citra. Ekstraksi ciri dilakukan berdasarkan isi visual dari citra yaitu
tekstur. Ekstraksi ciri digunakan untuk mendapatkan suatu penciri bagian tanaman
obat yaitu daun, sehingga dapat dilakukan temu kembali citra daun tanaman
dengan melihat kesamaan ciri antara daun tanaman obat yang lain.
Salah satu metode yang dapat digunakan untuk ekstraksi ciri citra tanaman
obat adalah metode kode fraktal. Kode fraktal adalah proses ekstraksi yang
didasari pada karakteristik utama dari fraktal, yaitu memiliki kemiripan dengan
diri sendiri (Schouten et al. 1999). Oleh karena itu pada penelitian ini
dikembangkan aplikasi ekstraksi ciri citra tanaman obat menggunakan metode
kode fraktal.
1.2. Tujuan Penelitian
Tujuan penelitian ini adalah membuat aplikasi ekstraksi ciri citra tanaman
obat menggunakan kode fraktal.
1.3. Ruang Lingkup Penelitian
Ruang lingkup yang dibahas dalam penelitian ini meliputi:
1. Ekstraksi ciri terhadap citra daun tanaman obat
2. Perangkan lunak yang digunakan adalah Adobe Dreamweaver CS5 untuk
pemrograman PHP dan XAMPP sebagai database.
1.4. Manfaat Penelitian
Manfaat penelitian ini adalah menghasilkan penciri citra tanaman obat
secara otomatis dan dapat digunakan untuk sistem identifikasi tanaman obat
berbasis citra.
2
BAB II
TINJAUAN PUSTAKA
2.1. Klasifikasi Citra
Klasifikasi citra adalah proses untuk mengindentifikasi dan kemudian
mengelompokan pola ciri citra ke dalam sejumlah kelas atau katagori obyek
sehingga setiap kelas mempresentasikan suatu entitas dengan properti yang
spesifik (Duda 1973). Klasifikasi citra dibagi menjadi dua kategori yakni
supervised dan unsupervised (Duda 1973). Metode supervised digunakan bila
training set telah tersedia, yaitu sejumlah citra sudah diklasifikasikan menjadi
sejumlah kelas tertentu. Sedangkan metode unsupervised digunakan bila pada
training set belum diketahui distribusi kelasnya. Pada metode ini data akan
dikelompokkan secara natural berdasarkan properti masing-masing.
2.2. Ekstraksi Ciri
Ciri merupakan karakteristik unik dari suatu objek. Ekstraksi ciri adalah
proses mendapatkan penciri atau fitur yang terdapat pada suatu citra. Ada
beberapa bagian citra yang dapat dijadikan ciri citra, antara lain bentuk dan
tekstur. Ciri bentuk merepresentasikan informasi geometris yang bergantung pada
posisi, orientasi, dan ukuran. Ciri tekstur didefinisikan sebagai pengulangan pola
yang ada pada daerah bagian citra. Tekstur dapat juga membedakan permukaan
dari beberapa kelas objek (Acharya & Ray, 2005). Dalam citra digital, tekstur
dicirikan dengan variasi intensitas atau warna. Beberapa proses ekstraksi ciri
mungkin perlu mengubah citra digital sebagai citra biner, melakukan pinipisan
pola dan sebagainya (Susanti, 2012).
Ekstraksi ciri diklasifikasikan ke dalam 3 tingkat yaitu low-level, middle-
level dan high-level. 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 semantic yang terkandung dalam
citra (Marques & Furht, 2002).
2.3. Fraktal
Fraktal berasal dari bahasa latin yaitu fractus yang berarti pecah (broken)
atau tidak teratur (irregular). Pada dasarnya, fraktal merupakan geometri
sederhana yang dapat dipecah-pecah menjadi beberapa bagian yang memiliki
bentuk seperti bentuk sebelumnya dengan ukuran yang lebih kecil (Mandelbrot
1982). Fraktal memiliki sifat-sifat self- similarity, self-affinity, self-inverse, dan
self- squaring. Sifat self-similarity menunjukkan bahwa fraktal terdiri atas bagian-
bagian yang berbentuk serupa satu sama lain. Self-affinity menggambarkan bahwa
fraktal disusun atas bagian-bagian yang saling terangkai satu sama lain. Self-
inverse artinya suatu bagian dari fraktal dapat merupakan susunan terbalik dari
susunan lainnya, sedangkan self- squaring dapat diartikan bahwa suatu bagian dari
fraktal merupakan peningkatan kerumitan dari bagian terdahulu (Peitgen et al.
1992).
Fraktal adalah bentuk apa saja yang memiliki kemiripan dengan dirinya
sendiri (Mandelbrot, 1982). Gambar 1 menunjukan contoh karakteristik kemiripan
dengan diri sendiri dari fraktal. Gambar 1 (a) merupakan gambar yang terdiri atas
3
satu garis utama dan 2 garis cabang. Bila aturan pada Gambar 1(a) diterapkan
pada cabang-cabangnya, maka diperoleh Gambar 1(b). Bila setiap cabang pada
Gambar 1(b) diterapkan aturan yang sama akan diperoleh Gambar 1(c). Gambar
1(b) dan 1(c) diperoleh dengan menerapkan aturan yang sama secara berulang-
ulang (proses rekursif). Proses perulangan ini dapat berlangsung tanpa batas
dengan berbagai ukuran/skala. Cabang yang lebih kecil memiliki sifat yang sama
dengan cabang yang lebih besar.
(a) (b) (c)
Gambar 1 Fraktal dengan kemiripan pada diri sendiri.
2.4. Kode Fraktal
Kode fraktal didasarkan pada karakteristik utama dari fraktal, yaitu
memiliki kemiripan dengan diri sendiri (Schouten et al. 1999). Kode fraktal
menunjukkan bagian-bagian yang memiliki kemiripan tekstur pada citra dan
ditampilkan dalam bentuk data matematis. Gambar 2 (a) memperlihatkan citra
yang memiliki kemiripan bentuk pada bagian-bagiannya sedangkan Gambar 2 (b)
memperlihatkan citra yang memiliki kemiripan tekstur pada bagian-bagiannya.
Gambar 2 Citra yang memiliki (a) kemiripan bentuk dan (b) tekstur pada bagian
bagiannya (Mulyana 2012).
Tahapan pengkodean fraktal sebagai berikut (Soelaiman et al. 2007):
a) Menampilkan nilai intensitas piksel dari citra asli.
b) Membangun blok domain :
- Mempartisi citra menjadi subcitra dalam berbagai ukuran mulai dari 16×16
piksel, 8×8 piksel, 4×4 piksel hingga 2×2 piksel. Partisi dilakukan mulai
dari pojok kiri atas citra bergeser hingga ke pojok kanan bawah.
- Membuat blok domain dengan menghitung rata-rata kelompok empat piksel
dari subcitra yang telah terbentuk.
4
c) Membangun blok range:
Mempartisi citra menjadi subcitra dengan partisi quadtree. Partisi ini
membagi citra menjadi empat bagian yang sama besar. Kemudian setiap
bagian yang terbentuk dibagi lagi menjadi empat bagian dan seterusnya
hingga mencapai ukuran 4×4 piksel dan 2×2 piksel. Hasil subcitra dengan
partisi quadtree merupakan blok range.
d) Menghitung faktor penskalaan kontras (s) dan faktor kecerahan (g) dengan
persamaan 3 dan 4 (Soelaiman, 2007).
…………………………………….. (1)
dengan :
s = Skala kontras
n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa
ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn)
di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn)
…………………………………………………..... (2)
dengan :
g = Tingkat Kecerahan
n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa
ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn)
di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn)
e) Menghitung RMS antara blok domain dan blok range dengan persamaan 3
(Soelaiman, 2007).
....................................(3)
dengan :
s = Skala kontras
g = Tingkat Kecerahan
n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa
ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn)
di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn)
RMS = root means square
f) Menyimpan faktor penskalaan kontras (s), faktor kecerahan (g), nilai rata rata
blok range (Avgrange) dan nilai rata rata blok domain (Avgdomain)
berdasarkan nilai Root Mean Square (RMS) yang paling kecil sebagai
parameter kode fraktal.
2.5. Tanaman Obat
Definisi tanaman obat Indonesia menurut Departemen kesehatan RI dalam
Siswanto (2004: 8), tercantum dalam SK Menkes NO. 149/Menkes/IV/1978
sebagai berikut:
5
1. Tanaman atau bagian tanaman yang digunakan sebagai bahan obat tradisional
atau jamu.
2. Tanaman atau bagian tanaman yang digunakan sebagai bahan pemula bahan
baku.
3. Tanaman atau bagian tanaman yang diekstraksi dan ekstrak tanaman tersebut
digunakan sebagai obat.
2.6. Penelitian Terdahulu
Mulyana (2012) telah melakukan penelitian berjudul Identifikasi Tumbuhan
Obat Berbasis Fraktal Menggunakan Klasifikasi Fuzzy C-Means. Proses
identifikasi bergantung pada hasil ekstraksi fitur. Untuk ekstraksi ciri citra
menggunakan fractal dan identifikasi citra menggunakan menggunakan klasifikasi
Fuzzy C-Means (FCM). Hasil ekstraksi dimensi fraktal lebih dipengaruhi oleh
pola bentuk citra daun tumbuhan obat, sedangkan hasil ekstraksi kode fraktal
lebih dipengaruhi oleh pola tekstur dari citra daun tumbuhan obat. Hasil
klasifikasi citra daun tumbuhan obat menggunakan FCM berdasarkan dimensi
fraktal menghasilkan akurasi sebesar 85,04% dan berdasarkan kode fraktal
menghasilkan akurasi 79,94%.
Manal (2011) telah melakukan penelitian berjudul Perancangan Program
Aplikasi Motif Ulos Menggunakan Metode Fraktal. Kain Ulos merupakan salah
satu warisan budaya Indonesia. Kain Ulos yang berasal dari daerah Batak ini
mempunyai berbagai jenis, berbagai corak/motif yang dapat diaplikasikan pada
model Fraktal. Geometri Fraktal itu sendiri adalah salah satu perkembangan
teknologi yang sangat terkenal akan strukturnya dan dapat pula digunakan untuk
menghasilkan suatu pola. Pengembangan dari aplikasi Fraktal ini ditujukan untuk
memperkaya jenis motif dan mengembangkan kreatifitas dalam pembuatan motif
tersebut. Maka dari itu motif-motif/corak yang terdapat pada kain Ulos tersebut
mempunyai kesamaan pada pemodelan Fraktal. Desain motif menggunakan
aplikasi Fraktal ini dapat mengkombinasikan motif tradisional dengan motif-motif
Fraktal lainnya. Motif yang dihasilkan menggunakan metode Iterated Function
System, L-System, Mendelbrot Set, dan Random Fractal, sehingga menghasilkan
sebuah perpaduan motif baru. Pada metode L-System inilah yang lebih banyak
mengeluarkan pola-pola yang menyerupai corak pada kain Ulos.
Susanti (2012) telah melakukan penelitian berjudul Penggabungan Dimensi
Fraktal dan Kode Fraktal Untuk Identifikasi Tumbuhan Obat Indonesia
Menggunakan Probabilistic Neural Network. Penerapan dimensi fraktal, kode
fraktal, dan fraktal gabungan berupa gabungan vektor ciri dan penggabungan fitur
dengan Product Decision Rule (PDR) berbasis web berhasil diimplementasikan.
Ekstraksi dengan dimensi fraktal (FD) menghasilkan akurasi sebesar 57%, kode
fraktal (FC) memiliki akurasi paling kecil sebesar 21% sedangkan ekstraksi
gabungan vektor ciri (FD+FC) menghasilkan akurasi 58%. Penggabungan fitur
dengan PDR menghasilkan akurasi sebesar 58%. Pada metode penggabungan
fraktal, kode fraktal tidak memengaruhi akurasi sehingga ekstraksi dengan
dimensi fraktal sudah cukup. Classifier Probabilistic Neural Network (PNN) yang
digunakan untuk metode fraktal menghasilkan akurasi yang lebih rendah
dibandingkan dengan Fuzzy C- Means (FCM).
6
BAB III
METODE PENELITIAN
3.1. Tahapan Penelitian
Tahapan penelitian untuk mengembangkan Aplikasi Ekstaksi Ciri Citra
tanaman obat dapat dilihat pada Gambar 3 di bawah ini.
Gambar 3. Tahapan Penelitian
Start
Akusisi citra Tanaman Obat
Pengujian sistem dan pengujian hasil
Ekstraksi ciri citra tanaman obat
End
Perancangan Sistem
Penggunaan
Preprocessing
Implementasi Sistem
Pembuatan database tanaman obat
Pembuatan aplikasi Ekstraksi Ciri
Citra Tanaman Obat berbasis Fraktal
7
3.1.1. Akusisi Citra Tanaman Obat
Pada tahap ini citra tanaman obat di akusisi dengan cara sensor garis (sensor
strip) mengunakan mesin scanner atau sensor larik (sensor array) menggunakan
kamera digital. Hasil dari tahap ini adalah citra digital dari gambar tanaman obat
yang akan disimpan dalam database beserta informasinya.
Pada penelitian ini citra daun tumbuhan obat yang digunakan adalah
adalah 10 jenis dan masing-masing terdiri atas 4 citra daun sehingga totalnya
adalah 40 data.
3.1.2. Preprocessing Citra Tanaman Obat Preprocesing yang dilakukan pada penelitian adalah menyeragamkan
ukuran citra menjadi 16x16 piksel dan melakukan perubahan bentuk citra ke
dalam format grayscale 8 bit. (28 = 256 derajat keabuan). Untuk mengubah warna
RGB ke grayscale digunakan persamaan 12 ( Jianxin et al. 2011).
Gray = 0,2989 x R+ 0,5870 x G+ 0,1140 x B ……………………… .(4)
3.1.3. Perancangan Sistem
Pada tahap ini diawali dengan perancangan database dengan metode Entity
Relationship Diagram (ERD) sehingga dihasilkan database dengan atribut antara
lain ; jumlah gambar yang dipakai, ukuran gambar, objek gambar dan format file
gambar.
Adapun rancangan sistem secara umum dari aplikasi ekstraksi ciri citra
tanaman obat akan dikembangkan seperti pada Gambar 4. berikut ini.
Gambar 4. Blok Diagram dari Aplikasi yang akan dikembangkan
3.1.4. Implementasi Sistem
Pada tahap implementasi sistem ini dikembangkan aplikasi esktraksi ciri
citra tanaman obat. Adapun tahapannya meliputi pembuatan database tanaman
obat dan pembuatan aplikasi esktraksi ciri tanaman obat.
3.1.4.1. Pembuatan Database Tanaman Obat
Untuk pembuatan database akan digunakan database MySQL dengan
jumlah table dan atribut sesuai dengan hasil tahap perancangan database dengan
metode ERD. Setelah database tersedia selanjutkan diinputkan citra digital
tanaman obat hasil proses akusisi .
Ekstraksi Ciri Citra
Menggunakan metode
fraktal
Fitur database dari
Gambar tanaman
obat dan
informasi tanaman
obat
Citra dan Hasil Ekstaksi
Ciri Tanaman obat
Gambar Citra
8
3.1.4.2. Pembuatan Aplikasi Ekstraksi Ciri Citra Tanaman Obat
Pada tahap ini aplikasi dibuat dengan bahasa pemrograman PHP, dengan
beberapa modul antara lain :
1. Pre processing Citra Tanaman Obat
Pada tahap pre processing citra tanaman obat yang telah di akusisi terlebih
dahulu diubah ke dalam bentuk citra gray scale dengan 256 tingkat ke abuan dan
dimensi 16 x 16 pixel.
2. Ekstraksi Fitur Tanaman Obat dengan Metode Fraktal
Pendekatan metode fraktal yang digunakan untuk ekstraksi fitur yaitu kode
fraktal.
Pada penelitian ini ada dua tahap yang dilaksanakan untuk mendapatkan
kode fraktal citra daun tumbuhan obat. Tahap pertama membentuk blok domain
dan blok range. Blok domain dibentuk dengan mempartisi citra asli menjadi
subcitra ukuran 8x8 piksel dan 4x4 piksel. Setiap empat piksel dari subcitra yag
terbentuk dihitung rata-ratanya sehingga ukuran menjadi 4x4 piksel dan 2x2
piksel. Proses partisi ini membentuk 20 blok domain. Ilustrasi partisi
pembentukan blok domain ditunjukan pada Gambar 5.
Gambar 5. Ilustrasi pembentukan blok domain.
Blok range dibentuk dengan mempartisi citra asli menggunakan partisi
quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar secara
rekursif sampai ukuran 2 x 2 piksel. Proses partisi ini membentuk 80 blok domain
yang terbagi ke dalam empat kelompok dan masing masing 20 blok domain.
Pembagian kelompok berdasarkan bagian kiri atas, bagian kanan atas, bagian kiri
bawah dan bagian kanan bawah. Ilustrasi partisi pembentukan blok range dengan
partisi quadtree ditunjukan pada Gambar 6.
Gambar 6. Ilustrasi pembentukan blok range.
Tahap kedua adalah mengukur kemiripan antara blok domain dan blok
range. Kemiripan diukur dengan menghitung skala kontras, faktor kecerahan dan
RMS dari masing-masing pasangan blok domain dan blok range. Pasangan
9
dengan nilai RMS atau nilai error terkecil adalah pasangan yang dianggap paling
mirip. Hasil Ekstraksi citra daun dengan kode fraktal menghasilkan empat nilai
kode fraktal yaitu skala kontras (s), faktor kecerahan (g), rata rata blok range
(Avgrange) dan rata rata blok domain ( Avgdomain ).
3.1.5. Pengujian Sistem dan Hasil Ekstasi Ciri Citra Tanaman Obat
Pengujian yang dilaksankan terhadap sistem yang dikembangkan antara
lain:
1. Pengujian sturktural untuk mengevaluasi apakan sistem yang dikembangkan
Struktur atau alur programnya telah sesuai dengan rancangan.
2. Pengujian fungsional adalah untuk mengevaluasi apakan sistem telah berjalan
sesuai fungsi masing masing modul.
3. Pengujian validasi adalah evaluasi untuk melihat tingkat akurasi antara
pehitungan secara manual dan perhitungan pada sistem.
3.2. Waktu dan Tempat Penelitian
Penelitian dilaksanakan di Laboratorium Program Studi Ilmu komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan Bogor.
Pelaksanaan penelitian dilakukan dari bulan Februari 2013 sampai April 2013 (3
bulan).
3.3. Alat dan Bahan
3.3.1. Alat-alat Penelitian
Alat-alat yang digunakan dalam penelitian ini terdiri dari perangkat keras
(hardware) dan perangkat lunak (software).
1. Spesifikasi Hardware Pada pembuatan aplikasi ini perangkat keras yang digunakan adalah
seperangkat notebook dengan spesifikasi sebagai berikut :
a. Processor intel (R) Celeron (R) CPU 847
b. Memory RAM 4 GB
c. Harddisk 320 GB
2. Spesifikasi Software Kebutuhan perangkat lunak untuk membuat aplikasi ini diantaranya adalah
sebagai berikut:
a. Operation System Microsoft Windows 8 Professional
b. Mozilla Firefox
c. XAMPP
d. Adobe Dreamweaver CS5
e. Microsoft Office 2010
f. Adobe Photoshop CS5
3.3.2. Bahan Penelitian
Bahan yang diperlukan dalam penelitian ini adalah citra digital daun
tanaman obat. Bahan-bahan penelitian lainnya didapatkan berdasarkan sumber-
sumber yang berkaitan dengan rancangan aplikasi yang akan dibuat.
10
BAB IV
RANCANGAN DAN IMPLEMENTASI
4.1. Akusisi Citra Tanaman Obat
Pada tahap ini citra daun tanaman obat di akusisi dengan cara sensor garis
(sensor strip) mengunakan mesin scanner atau sensor larik (sensor array)
menggunakan kamera digital. Hasil dari tahap ini adalah citra digital dari gambar
tanaman obat yang akan disimpan dalam database beserta informasinya.
4.2. Perancangan Sistem
4.2.1. Perancangan ERD (Entity Relationship Diagram)
ERD dibuat untuk mengetahui relasi tabel yang digunakan. Berikut ini
adalah perancangan ERD yang ditunjukan pada gambar 7.
hasil_ekstraksi proses_kode_fractalMemiliki1 N
id kelas
...
uid
...
kelas
Gambar 7. Entity Relationship Diagram
4.2.2. Perancangan Database
Tabel-tabel yang digunakan dalam perancangan Aplikasi Ekstraksi Ciri
Citra terdiri dari 2 Tabel. Di bawah ini akan dijekaskan nama masing-masing
tabel, deskripsi dan primary key dari tabel tersebut.
1. Tabel hasil_ekstraksi
Tabel 1. Hasil Ekstraksi Ciri
Nama field Tipe (Panjang)
id int (4)
nama varchar(100)
kelas varchar(100)
S double
G double
avg_range double
avg_domain double
2. Tabel proses_kode_fractal
Tabel 2. Proses Kode Fraktal
Nama field Tipe (Panjang)
uid int (4)
nama varchar(100)
kelas varchar(100)
S double
G double
avg_range double
avg_domain double
11
4.2.3. Relasi
Relasi pada perancangan database yang ini terdapat 2 tabel yang memiliki
relasi dengan tabel lainnya seperti pada gambar 8 berikut.
Gambar 8. Relasi
4.2.4. Flowchart
Di dalam perancangan sistem, diperlukan pula suatu diagram alur atau
Flowchart Program yang menggambarkan proses kerja Aplikasi Ekstraksi Ciri
Citra Tanaman Obat yang akan memudahkan dalam implementasi sistem.
Flowchart program Aplikasi Ekstraksi Ciri Citra Tanaman Obat ditunjukan pada
gambar 9 dan flowchart proses ekstraksi ciri pada gambar 10, gambar 11 dan
gambar 12.
Mulai
Halaman
Utama
1. Home
2. Ekstraksi Ciri
3. Proses Ekstraksi Ciri
4. Hasil Ekstrasi Ciri
Ekstraksi
Ciri
2
Proses
Ekstraksi
Ciri
3
Hasil
Ekstraksi
Ciri
4
A
1
A
Input Citra
Tanaman Obat
Simpan?
Proses
preprocessing
Y
Proses esktraksi
menggunakan kode fraktal
Simpan data
Database
N
B
B
A
Gambar 9. Flowchart Program
12
Gambar 10. Flowchart Proses Ekstraksi Ciri
Start
$k=0;$k<2;$k++
$i=$ix;$i<$iy;$i++
$ix==0
Preprocessing
$idx1=$ix
$idx1=$idx2N
Y
$j=0;$j<8;$j++
$j=8;$j<16;$j++
$matrix_img_8[$idx2][$m][$n] = $matrix_img[$i][$j]
$matrix_img_8[$idx2][$m][$n] = $matrix_img[$i][$j]
$i=0;$i<4;$i++
$matrix_blok_4[$i] = $core->getAVG4x4($matrix_img_8
[$i], 4, 4)
A
$j
$i
$k
$i
A
$k=0;$k<4;$k++
$i=$ix;$i<$iy;$i++
$ix==0
$idx1=$ix
$idx1=$idx2N
Y
$j=0;$j<4;$j++
$j=4;$j<8;$j++
$matrix_img_4[$idx2][$m][$n] = $matrix_img[$i][$j]
$matrix_img_4[$idx2][$m][$n] = $matrix_img[$i][$j]
$j=8;$j<12;$j++
$j=12;$j<16;$j++
$matrix_img_4[$idx2][$m][$n] = $matrix_img[$i][$j]
$matrix_img_4[$idx2][$m][$n] = $matrix_img[$i][$j]
B
$j
$j
$j
$j
$i
$k
B
$i=0;$i<4;$i++
$matrix_blok_4[$i] = $core->getAVG4x4($matrix_img_8
[$i], 4, 4)
$i=0;$i<4;$i++
$j=0;$j<4;$j++
$j=4;$j<8;$j++
$matrix_range_4[$x][0][$m][$n] = $temp[$i][$j]
$matrix_range_4[$x][1][$m][$n] = $temp[$i][$j]
$x=0;$x<4;$x++
$i=4;$i<8;$i++
$j=0;$j<4;$j++
$j=4;$j<8;$j++
$matrix_range_4[$x][2][$m][$n] = $temp[$i][$j]
$matrix_range_4[$x][3][$m][$n] = $temp[$i][$j]
1
$i
$j
$j
$i
$j
$j
$i
$k
13
Gambar 11. Flowchart Proses Ekstraksi Ciri Lanjutan 1
C
$i=0;$i<4;$i++
$sumDi[$idx] = $this->sumArray($matrix_blok_4[$i], 4, 4); $sumDi2[$idx] = $this->sumArray2($matrix_blok_4[$i], 4, 4);
$i=0;$i<16;$i++
$sumDi[$idx] = $this->sumArray($matrix_blok_2[$i], 2, 2); $sumDi2[$idx] = $this->sumArray2($matrix_blok_2[$i], 2, 2);
$i=0;$i<4;$i++
$j=0;$j<4;$j++
$sumRi[$i][$j] = $this->sumArray($matrix_range_4[$i][$j], 4, 4); $sumRi2[$i][$j] = $this->sumArray2($matrix_range_4[$i][$j], 4, 4);
$i=0;$i<4;$i++
$j=0;$j<4;$j++
$k=0;$k<16;$k++
$sumRi[$i][$idx] = $this->sumArray($matrix_range_2[$i][$j][$k], 2, 2); $sumDi2[$idx] = $this->sumArray2($matrix_blok_2[$i], 2, 2);
2
$i
$i
$j
$i
$k
$j
$i
1
$i=0;$i<4;$i++
$j=0;$j<4;$j++
$j=4;$j<8;$j++
$matrix_range_4[$x][0][$m][$n] = $temp[$i][$j]
$matrix_range_4[$x][1][$m][$n] = $temp[$i][$j]
$x=0;$x<4;$x++
$i=4;$i<8;$i++
$j=0;$j<4;$j++
$j=4;$j<8;$j++
$matrix_range_4[$x][2][$m][$n] = $temp[$i][$j]
$matrix_range_4[$x][3][$m][$n] = $temp[$i][$j]
C
$j
$j
$i
$j
$j
$i
$x
14
Gambar 12. Flowchart Proses Ekstraksi Ciri Lanjutan 2
4.2.5. Struktur Navigasi
Struktur navigasi pada Aplikasi Ekstraksi Ciri Citra Tanaman Obat dimulai
dari halaman utama, lalu halaman tanaman obat, ekstraksi ciri dan hasil ekstraksi
ciri. Secara sistemastis hubungan antar halaman dalam web ini disajikan pada
gambar 13.
Halaman Utama
Tanaman Obat Ekstaksi CiriHasil Ekstraksi
Ciri
Gambar 13. Struktur Navigasi
$i=0;$i<4;$i++
$j=0;$j<20;$j++
$j < 4
$m = 16
Y $m = 4
N
$A = ($m * $sumDiRi[$i][$j] - $sumDi[$j] * $sumRi[$i][$j]);$B = ($m * $sumDi2[$j] - ($sumDi[$j] * $sumDi[$j]));$S[$i][$j] = $A / $B;
End
D
$j
$i
2
$i=0;$i<4;$i++
$j=0;$j<20;$j++
$j < 4
$m = 16
Y $m = 4
N
$A = ($m * $sumDiRi[$i][$j] - $sumDi[$j] * $sumRi[$i][$j]);$B = ($m * $sumDi2[$j] - ($sumDi[$j] * $sumDi[$j]));$S[$i][$j] = $A / $B;
$i=0;$i<4;$i++
$j=0;$j<20;$j++
$j < 4
$m = 16
Y $m = 4
N
$A = ($m * $sumDiRi[$i][$j] - $sumDi[$j] * $sumRi[$i][$j]);$B = ($m * $sumDi2[$j] - ($sumDi[$j] * $sumDi[$j]));$S[$i][$j] = $A / $B;
D
$j
$i
$j
$i
15
4.2.6. Perancangan Antar Muka
Perancangan antar muka berfungsi untuk menjelaskan fungsi dari kontrol-
kontrol yang digunakan dalam program aplikasi ini.
4.2.6.1. Perancangan Halaman Utama
Halaman utama merupakan halaman pertama saat aplikasi dibuka atau
dijalankan. Pada halaman utama ini terdapat 3 bagian yaitu header, menu dan
banner. Perancangan halaman utama dapat dilihat pada gambar 14.
Header
Menu Banner
Gambar 14. Rancangan Halaman Utama
4.2.6.2. Perancangan Halaman Ekstraksi Ciri
Halaman tanaman ekstraksi ciri merupakan halaman form untuk memasukan
citra daun tanaman obat sehingga menghasilkan penciri yang ekstraksi ciri
menggunakan kode fraktal. Perancangan halaman ekstraksi ciri dapat dilihat pada
gambar 15.
Header
Ekstraksi Ciri Citra
Nama Tanaman
ObatUpload Citra Submit
Menu Banner
Gambar 15. Rancangan Halaman Ekstraksi Ciri
4.2.6.3. Perancangan Halaman Proses Ekstraksi Ciri
Halaman ekstraksi ciri merupakan halaman proses ekstraksi ciri seluruh data
sample citra tanaman obat. Pada halaman tanaman obat ini terdapat 4 bagian yaitu
header, menu, banner dan konten informasi. Perancangan halaman tanaman obat
dapat dilihat pada gambar 16.
16
Header
Pilih Kelas
Proses Ekstraksi Ciri
Menu Banner
Tampilan Submit
Gambar 16. Rancangan Halaman Proses Ekstraksi Ciri
4.2.6.4. Perancangan Halaman Hasil Ekstraksi Ciri
Halaman hasil ekstraksi ciri merupakan halaman informasi penciri citra
yang telah diesktraksi ciri menggunakan kode fraktal. Perancangan halaman hasil
ekstraksi ciri dapat dilihat pada gambar 17.
Header
Hasil Citra Tanaman
Obat Ekstraksi Ciri
Informasi Hasil Citra Tanaman Obat Ekstraksi Ciri
Menu Banner
Gambar 17. Rancangan Halaman Hasil Ekstraksi Ciri
4.3. Implementasi
Tahapan implementasi merupakan tahap pembuatan sistem yang telah
dirancang sehingga aplikasi tersebut dapat dipergunakan.
4.3.1. Pembuatan Halaman Utama
Pembuatan halaman web menggunakan software Adobe dreamweaver cs3
dan menggunakan bahasa pemrograman HTML dan PHP. Dalam pembuatan
halaman utama front end pertama kita akan membuat halaman index sebagai
halaman antarmuka terhadap user. Langkah-langkah pembuatan halaman utama
sebagai berikut:
1. Install program Adobe Dreamweaver cs5
2. Buka program Adobe Dreamweaver cs5 melalui start menu
3. Pilih format halaman yang akan dibuat
4. Pilih format PHP
5. Masukkan script PHP dan HTML melalui halaman code atau dengan
merancang melalui halaman design.
17
Garmbar 18. Pembuatan Halaman Utama
4.3.2. Pembuatan Database
Pembuatan database menggunakan software XAMPP yang telah dilengkapi
dengan MySQL didalamnya. Pada MySQL hanya perlu melakukan penginputan
data. Langkah-langkahnya sebagai berikut.
1. Install program XAMPP
2. Buka program XAMPP melalui start menu
3. Pilih start pada pilihan Apache dan MySQL
4. Buka web browser Mozilla Firefox
5. Ketikan http://localhost/xampp/ di adress bar
6. Pilih phpMyAdmin
7. Setelah itu create database dan tekan tombol create
8. Isikan pada text name database yang akan dibuat dan jumlah isikan pada text
number of field baris table yang akan dibuat.
Gambar 19. Pembuatan Database
4.3.3. Koneksi Aplikasi Ekstraksi Ciri Citra Tanaman Obat
Pengkoneksian halaman web dengan database menggunakan script PHP di
editor aplikasi Adobe Dreamweaver CS5.
Gambar 20. Koneksi ke Database
18
BAB V
HASIL DAN PEMBAHASAN
5.1. Hasil
Pada tahap ini merupakan hasil dari tampilan beserta uraian mengenai
halaman dari Aplikasi Ekstraksi Ciri Citra Tanaman Obat yang telah dibuat.
5.1.1. Halaman Utama
Disetiap halaman terdiri dari 3 bagian, yaitu header, menu dan content.
Content pada halaman utama berisikan beberapa nama dan citra tanaman obat
yang berupa banner. Tampilan halaman utama dapat dilihat pada gambar 21.
Gambar 21. Tampilan Halaman Utama
5.1.2. Halaman Ekstraksi Ciri
Halaman ekstraksi ciri berfungsi untuk mendapatkan penciri dari citra
melalui proses ekstraksi ciri citra menggunakan kode fraktal. Citra tanaman obat
di-upload lalu diproses oleh preprocessing, setelah itu dikodekan oleh kode fractal
untuk mendapatkan penciri citra tersebut. Tampilan ekstraksi ciri citra dapat
dilihat pada gambar 22.
Gambar 22. Tampilan Ekstraksi Ciri Citra
Header
Menu
Banner
19
5.1.3. Halaman Proses Ekstraksi Ciri
Halaman proses ekstraksi ciri merupakan halaman proses ekstraksi seluruh
data sampel 1 citra yang telah diekstraksi ciri. Pada halaman ini akan diketahui
nama tanaman obat, citra tanaman obat, nilai skala kontras (s), nilai kecerahan (g),
nilai rata-rata blok domain (avg. domain), nilai rata-rata blok range (avg. range)
dan grafik vector ciri citra. Tampilan proses ekstraksi ciri dapat dilihat pada
gambar 23.
Gambar 23. Tampilan Halaman Hasil Ekstraksi Ciri
5.1.4. Halaman Hasil Ekstraksi Ciri
Halaman hasil ekstraksi ciri merupakan hasil ekstraksi ciri dari seluruh
sample citra yang telah dirata-ratakan nilai skala kontras (s), nilai kecerahan (g),
nilai rata-rata blok domain (avg. domain) dan nilai rata-rata blok range (avg.
range). Tampilan hasil ekstraksi dapat dilihat pada gambar 24.
Gambar 24. Tampilan Halaman Hasil Ekstraksi Ciri
20
5.2. Pembahasan
Pada penelitian ini ekstraksi ciri citra tumbuhan obat dilakukan dengan
metode kode fraktal.
5.2.1. Perhitungan Manual
Proses ekstraksi ciri citra dengan kode fraktal adalah membandingkan
kemiripan tekstur dari pasangan blok domain dan blok range. Pasangan yang
memiliki nilai RMS paling kecil dianggap memiliki tingkat kemiripan yang paling
tinggi. Langkah-langkah pengkodean fraktal (fractal coding) pada citra daun
Sambang Darah adalah sebagai berikut :
1. Menampilkan nilai intensitas piksel dari citra asli seperti ditunjukan pada
Gambar 25 dan 26.
Gambar 25. Preprocessing
Gambar 26. Nilai intensitas dari citra daun ukuran 16 x 16 piksel.
2. Membentuk Blok Domain
Mempartisi citra menjadi ukuran 8x8 piksel, 4x4 piksel. Partisi dilakukan
mulai dari pojok kiri atas bergeser hingga ke pojok kanan bawah seperti
ditunjukan pada Gambar 27 dan Gambar 28.
249 255 252 251 252 255 251 189 251 249 251 248 255 254 255 253
255 255 249 255 255 243 248 120 211 255 253 252 255 251 255 255
255 253 247 255 255 250 174 60 132 253 251 255 253 250 255 255
253 255 249 252 248 255 58 48 58 173 246 255 253 252 255 253
255 255 250 255 246 213 14 47 37 88 243 255 253 252 255 252
255 247 250 255 252 128 49 35 54 48 235 251 254 251 255 255
255 251 251 255 255 90 64 32 54 48 212 247 255 253 254 255
247 255 253 244 255 105 36 44 32 56 186 245 255 255 249 255
255 241 250 255 255 112 51 42 39 44 192 253 255 253 250 255
255 255 255 251 246 153 33 36 41 39 243 255 253 255 254 252
250 255 255 250 247 211 36 40 47 32 255 253 254 255 255 254
255 249 255 255 255 241 67 27 62 69 255 248 255 255 250 255
255 250 254 253 255 245 126 5 61 152 252 251 255 255 245 255
255 255 255 246 251 255 207 52 53 220 253 251 248 255 252 252
250 255 255 250 254 255 255 166 109 252 246 253 244 255 255 254
255 253 250 255 255 248 254 254 204 255 243 255 254 254 255 254
21
00 01
10 11
Gambar 27. Sub citra ukuran 8 x8 piksel.
00 01 02 03
10 11 12 13
20 21 22 13
30 31 32 33
Gambar 28. Sub citra ukuran 4 x 4 piksel.
249 255 252 251 252 255 251 189
255 255 249 255 255 243 248 120
255 253 247 255 255 250 174 60
253 255 249 252 248 255 58 48
255 255 250 255 246 213 14 47
255 247 250 255 252 128 49 35
255 251 251 255 255 90 64 32
247 255 253 244 255 105 36 44
251 249 251 248 255 254 255 253
211 255 253 252 255 251 255 255
132 253 251 255 253 250 255 255
58 173 246 255 253 252 255 253
37 88 243 255 253 252 255 252
54 48 235 251 254 251 255 255
54 48 212 247 255 253 254 255
32 56 186 245 255 255 249 255
255 241 250 255 255 112 51 42
255 255 255 251 246 153 33 36
250 255 255 250 247 211 36 40
255 249 255 255 255 241 67 27
255 250 254 253 255 245 126 5
255 255 255 246 251 255 207 52
250 255 255 250 254 255 255 166
255 253 250 255 255 248 254 254
39 44 192 253 255 253 250 255
41 39 243 255 253 255 254 252
47 32 255 253 254 255 255 254
62 69 255 248 255 255 250 255
61 152 252 251 255 255 245 255
53 220 253 251 248 255 252 252
109 252 246 253 244 255 255 254
204 255 243 255 254 254 255 254
249 255 252 251
255 255 249 255
255 253 247 255
253 255 249 252
252 255 251 189
255 243 248 120
255 250 174 60
248 255 58 48
251 249 251 248
211 255 253 252
132 253 251 255
58 173 246 255
255 254 255 253
255 251 255 255
253 250 255 255
253 252 255 253
255 255 250 255
255 247 250 255
255 251 251 255
247 255 253 244
246 213 14 47
252 128 49 35
255 90 64 32
255 105 36 44
37 88 243 255
54 48 235 251
54 48 212 247
32 56 186 245
253 252 255 252
254 251 255 255
255 253 254 255
255 255 249 255
255 241 250 255
255 255 255 251
250 255 255 250
255 249 255 255
255 112 51 42
246 153 33 36
247 211 36 40
255 241 67 27
39 44 192 253
41 39 243 255
47 32 255 253
62 69 255 248
255 253 250 255
253 255 254 252
254 255 255 254
255 255 250 255
255 250 254 253
255 255 255 246
250 255 255 250
255 253 250 255
255 245 126 5
251 255 207 52
254 255 255 166
255 248 254 254
61 152 252 251
53 220 253 251
109 252 246 253
204 255 243 255
255 255 245 255
248 255 252 252
244 255 255 254
254 254 255 254
22
Menghitung rata-rata setiap empat piksel dari subcitra yang terbentuk
sehingga ukurannya menjadi 4x4 piksel dan 2 x2 piksel seperti ditunjukan pada
Gambar 29 dan Gambar 30.
00 01
10 11
Gambar 29. Blok domain rata rata empat piksel dari sub citra 8 x8 piksel.
00 01 02 03
10 11 12 13
20 21 22 23
30 31 32 33
Gambar 30. Blok domain rata rata empat piksel dari sub citra 4 x 4 piksel.
3. Membentuk Blok Range
Blok range dibentuk dengan mempartisi citra asli menggunakan partisi
quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar secara
rekursif. Masing-masing subcitra pada Gambar 8 dibagi menjadi 4 bagian seperti
ditunjukan pada Gambar 31 dan hasilnya dibagi lagi menjadi empat bagian
masing masing 2x2 piksel seperti ditunjukan pada Gambar 32.
253.5 251.8 251.3 202
254 250.8 252 85
253 252.5 209.8 36.25
252 250.8 176.3 44
241.5 251 253.8 254.5
154 251.8 252 254.5
56.75 246 252.5 254.3
47.5 222.5 254.5 253.3
251.5 252.8 191.5 40.5
252.3 253.8 238.5 42.5
253.8 252 251.5 97.5
253.3 252.5 253 232.3
40.75 235.8 254 252.8
52.5 252.8 254.8 253.5
121.5 251.8 253.3 251
205 249.3 251.8 254.5
253.5 251.8
254 250.8 251.3 202
252 85 241.5 251
154 251.8 253.8 254.5
252 254.5
251.5 252.8
252.3 253.8 191.5 40.5
238.5 42.5 40.75 235.8
52.5 252.8 254 252.8
254.8 253.5
253 252.5
252 250.8 209.8 36.25
176.3 44 56.75 246
47.5 222.5 252.5 254.3
254.5 253.3
253.8 252
253.3 252.5 251.5 97.5
253 232.3 121.5 251.8
205 249.3 253.3 251
251.8 254.5
23
00-00 00-01
00
00-10 00-11
Gambar 31. Tahapan partisi blok range sampai ukuran 4 x 4 piksel.
00-00-00 00-00-01 00-01-00 00-01-01
00-00-10 00-00-11 00-01-10 00-01-11
00-10-00 00-10-01 00-11-00 00-11-01
00-10-10 00-00-11 00-11-10 00-00-11
Gambar 32. Tahapan partisi blok range sampai ukuran 2 x 2 piksel.
4. Menghitung faktor penskalaan kontras (s), faktor kecerahan (g) dan RMS
Pada tahap ini dilakukan penghitungan penskalaan kontras (s) menggunakan
persamaan 1, faktor kecerahan (g) menggunakan persamaan 2 dan RMS
menggunakan persamaan 3. Penghitungan dilakukan antara blok domain dengan 4
kelompok blok range.
a) Rumus menghitung faktor penskalaan kontras (s), faktor kecerahan (g) dan
RMS (Root Mean Square) dengan persamaan 3, 4 dan 5 (Soelaiman, 2007).
…………………………………….. (1)
249 255 252 251 252 255 251 189
255 255 249 255 255 243 248 120
255 253 247 255 255 250 174 60
253 255 249 252 248 255 58 48
255 255 250 255 246 213 14 47
255 247 250 255 252 128 49 35
255 251 251 255 255 90 64 32
247 255 253 244 255 105 36 44
249 255 252 251
255 255 249 255
255 253 247 255
253 255 249 252
252 255 251 189
255 243 248 120
255 250 174 60
248 255 58 48
255 255 250 255
255 247 250 255
255 251 251 255
247 255 253 244
246 213 14 47
252 128 49 35
255 90 64 32
255 105 36 44
255 255
255 247
250 255
250 255
255 251
247 255
251 255
253 244
249 255
255 255
252 251
249 255
255 253
253 255
247 255
249 252
252 255
255 243
251 189
248 120
247 255
249 252
174 60
58 48
246 213
252 128
14 47
49 35
64 32
36 44
255 90
255 105
24
dengan :
s = Skala kontras
n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa
ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn)
di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn)
…………………………………………………..... (2)
dengan :
g = Tingkat Kecerahan
n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa
ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn)
di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn)
....................................(3)
dengan :
s = Skala kontras
g = Tingkat Kecerahan
n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa
ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn)
di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn)
RMS = root means square
b) Perhitungan lokasi blok domain 16-00 dan lokasi blok range 11-00-00
1. Menghitung rata-rata blok domain (Rd)
Rd = (253,5 + 251,8 + 254 + 250,8) / 4
Rd = 252,5
2. Menghitung rata-rata blok range (Rr)
Rr = (39 + 44 + 41 + 39) / 4
Rr = 40,75
3. Menghitung nilai skala kontras (s)
s = (4 x 41156,7) - (1010 x 163)
4 x 255032 - (1010 x 1010)
s = (4 x 41156,7) - (1010 x 163)
4 x 255032 - (1010 x 1010)
s = 164627-164630
1020128-1020100
s = -3 = -0,109
25,5
4. Menghitung nilai kecerahan (g)
g = 1/4 x (163(1010 x -0,11))
g = 1/4 x (-110,18)
g = 68,30
Hasil penghitungan skala kontras, faktor kecerahan dan RMS antara blok
domain dan masing-masing blok range daun Sambang Darah ditunjukan pada
Tabel 3, Tabel 4, Tabel 5 dan Tabel 6.
25
Tabel 3. Hasil penghitungan s,g dan RMS antara blok domain dan blok range
bagian citra kiri atas (00)
No
Blok Domain Citra
asli
Blok Range Citra
Bagian Kiri Atas (00) Penskalaan
Kontras (s)
Kecerahan
(g) RMS
Lokasi Rd Lokasi Rr
1 4-00 204,67 00-00 252,5 -0,003 253,13 7,07
2 4-01 218,77 00-01 197,56 -0,42 289,92 5208,39
3 4-10 210,56 00-10 252,06 -0,01 255,33 10,97
4 4-11 214,67 00-11 116,56 -0,99 329,91 3204,88
5 16-00 252,5 00-00-00 253,5 -0,87 473,86 5,44
6 16-01 197,56 00-00-01 251,75 -0,03 257,14 7,24
7 16-02 224,56 00-00-10 254 0,01 251,04 5,71
8 16-03 253,69 00-00-11 250,75 1,72 -186,31 6,09
9 16-10 252,06 00-01-00 251,25 4,63 -914,72 9,23
10 16-11 116,56 00-01-01 202 0,60 132,41 717,22
11 16-12 143,19 00-01-10 252 0,004 251,33 9,32
12 16-13 245,94 00-01-11 85 1,38 -253,80 2312,38
13 16-20 252,56 00-10-00 253 -3,56 1151 8,56
14 16-21 128,25 00-10-01 252,5 -0,03 256,006 5,22
15 16-22 145,44 00-10-10 252 0,01 250,58 10,07
16 16-23 253,75 00-10-11 50,75 -0,18 280,60 17,18
17 16-30 252,875 00-11-00 209,75 41,59 -10306,36 1664,55
18 16-31 208,56 00-11-01 36,25 -0,09 56,37 154,81
19 16-32 206,88 00-11-10 176,25 -1,24 432,67 1965,64
20 16-33 252,63 00-11-11 44 5,33 -1303,33 100
Tabel 4 Hasil penghitungan s,g dan RMS antara blok domain dan blok range
bagian citra kanan atas (01)
No
Blok Domain Citra
asli
Blok Range Citra
Bagian Kiri Atas (00) Penskalaan
Kontras (s)
Kecerahan
(g) RMS
Lokasi Rd Lokasi Rr
1 4-00 204,67 01-00 224,56 -0,23 272,35 2687,21
2 4-01 218,77 01-01 253,69 0,003 253,04 6,43
3 4-10 210,56 01-10 143,19 -0,81 313,20 5022,17
4 4-11 214,67 01-11 253,63 -0,002 254,03 8,09
5 16-00 252,5 01-00-00 241,5 -9,53 2647,14 158,74
6 16-01 197,56 01-00-01 251 -0,001 251,18 8,5
7 16-02 224,56 01-00-10 154 1,42 -165,40 1574,97
8 16-03 253,69 01-00-11 251,75 3,58 -656,58 5,32
9 16-10 252,06 01-01-00 253,75 1,72 -179,97 5,62
26
10 16-11 116,56 01-01-01 254,5 0,01 253,72 5,48
11 16-12 143,19 01-01-10 252 -0,01 253,66 5,38
12 16-13 245,94 01-01-11 254,5 0,06 238,81 5,01
13 16-20 252,56 01-10-00 56,75 6,48 -1579,74 334,64
14 16-21 128,25 01-10-01 246 -0,08 256,77 8,97
15 16-22 145,44 01-10-10 47,5 0,04 41,14 69,97
16 16-23 253,75 01-10-11 222,5 -32,59 8491,76 73,07
17 16-30 252,875 01-11-00 252,5 1,10 -26,3 5,70
18 16-31 208,56 01-11-01 254,25 0,02 250,09 5,03
19 16-32 206,88 01-11-10 254,5 -0,01 256,17 5,57
20 16-33 252,63 01-11-11 253,25 0,63 93,47 5,46
Tabel 5 Hasil penghitungan s,g dan RMS antara blok domain dan blok range
bagian citra kiri bawah (10)
No
Blok Domain Citra
asli
Blok Range Citra
Bagian Kiri Atas (00) Penskalaan
Kontras (s)
Kecerahan
(g) RMS
Lokasi Rd Lokasi Rr
1 4-00 204,67 10-00 252,56 -0,00 252,76 14,24
2 4-01 218,77 10-01 128,25 -0,92 328,94 5028,60
3 4-10 210,56 10-10 252,88 0,02 248,83 5,30
4 4-11 214,67 10-11 208,56 -0,34 280,84 5439,61
5 16-00 252,5 10-00-00 251,5 1,53 -134,17 32,74
6 16-01 197,56 10-00-01 252,75 0,01 250,81 4,74
7 16-02 224,56 10-00-10 252,25 -0,04 260,55 5,40
8 16-03 253,69 10-00-11 253,75 -0,97 500,79 4,70
9 16-10 252,06 10-01-00 191,5 25,70 -6286,08 3239,48
10 16-11 116,56 10-01-01 40,5 0,03 36,92 41,58
11 16-12 143,19 10-01-10 238,5 -0,15 259,63 94,38
12 16-13 245,94 10-01-11 42,5 0,69 -128,07 133,89
13 16-20 252,56 10-10-00 253,75 -0,35 342,37 4,61
14 16-21 128,25 10-10-01 252 0,03 248,37 6,24
15 16-22 145,44 10-10-10 253,25 0,01 252,11 4,58
16 16-23 253,75 10-10-11 252,5 0 252,5 6,25
17 16-30 252,875 10-11-00 251,5 4 -760 9,5
18 16-31 208,56 10-11-01 97,5 0,91 -93,23 2362,71
19 16-32 206,88 10-11-10 253 -0,02 256,94 7,50
20 16-33 252,63 10-11-11 232,25 19,64 -4729,56 757,95
27
Tabel 6 Hasil penghitungan s,g dan RMS antara blok domain dan blok range
bagian citra kanan bawah (11)
No
Blok Domain Citra
asli
Blok Range Citra
Bagian Kiri Atas (00) Penskalaan
Kontras (s)
Kecerahan
(g) RMS
Lokasi Rd Lokasi Rr
1 4-00 204,67 11-00 145,44 -0,89 326,84 5524,17
2 4-01 218,77 11-01 253,75 -0,004 254,66 6,73
3 4-10 210,56 11-10 206,88 -0,34 277,94 4203,22
4 4-11 214,67 11-11 252,63 0,02 248,87 11,05
5 16-00 252,5 11-00-00 40,75 -0,11 68,30 4,17
6 16-01 197,56 11-00-01 235,75 -0,22 278,86 438,07
7 16-02 224,56 11-00-10 52,5 -0,13 81,20 175,87
8 16-03 253,69 11-00-11 252,75 -1,75 697,42 4,98
9 16-10 252,06 11-01-00 254 -0,27 321,59 5,95
10 16-11 116,56 11-01-01 252,75 -0,01 254,25 4,70
11 16-12 143,19 11-01-10 254,75 0,003 254,38 5,13
12 16-13 245,94 11-01-11 253,5 -0,07 270,61 4,36
13 16-20 252,56 11-10-00 121,5 77,99 -19575,42 683,55
14 16-21 128,25 11-10-01 251,75 0,01 250,58 5,04
15 16-22 145,44 11-10-10 205 0,50 131,84 997,42
16 16-23 253,75 11-10-11 249,25 -5,76 1712,04 6,53
17 16-30 252,875 11-11-00 253,25 -1,45 619,48 8,24
18 16-31 208,56 11-11-01 251 -0,04 258,91 7,49
19 16-32 206,88 11-11-10 251,75 0,08 253,00 6,00
20 16-33 252,63 11-11-11 254,5 -0,03 263,14 5,25
5. Menetapkan nilai kode fraktal pada citra daun tumbuhan obat Sambang Darah.
Nilai kode fraktal ditentukan berdasarkan nilai RMS atau nilai error yang
paling kecil. Pada langkah ke 4, nilai RMS paling kecil adalah 4,17. Dengan
demikian blok domain 16-00 dan blok range 11-00-00 adalah pasangan yang
memiliki kemiripan dan kode fraktal yang terbentuk seperti ditunjukan pada
Tabel 7.
Tabel 7. Nilai Kode Fraktal pada daun Sambang Darah
Sambang Darah
Faktor
Skala
Kontras (s)
Faktor
kecerahan
(g)
Rata rata nilai
Blok Domain
(Rd)
Rata rata
nilai Blok
Range (Rr)
-0,11 68,30 252,5 40,75
28
5.2.2. Hasil Ekstraksi Ciri
Hasil ekstraksi ciri merupakan nilai rata-rata dari setiap skala kontras (s),
nilai kecerahan (g), nilai rata-rata blok domain (avg. domain) dan nilai rata-rata
blok range (avg. range) seluruh sample citra pada setiap kelas daun. Data daun
terdiri dari 10 daun dan setiap daun terdiri dari 4 citra yang berbeda. Berikut
adalah hasil penciri setiap kelas daun yang nilainya telah dirata-ratakan pada
ditujukan pada Gambar 33.
Gambar 33. Hasil Ekstraksi Ciri
5.2.3. Hasil Vektor Ciri Kode Fraktal
Satu citra daun tanaman obat memiliki vektor ciri yang terdiri empat kode
fraktal. Vektor ciri kode fraktal jika disajikan dalam grafik membentuk pola
tertentu. Gambar 34 menunjukan contoh pola vektor kode fraktal untuk daun
Sambang Darah.
Gambar 34. Pola vektor kode fraktal untuk satu daun Sambang Darah
Setiap kelas akan membentuk pola vektor kode fraktal yang berbeda beda
dan mencirikan kelas tersebut. Gambar 35 dan Gambar 36 menunjukan pola
vektor kode fraktal untuk kelas Miana dan kelas Sidaguri. Setiap kelas terdiri atas
4 daun.
29
Gambar 35. Pola vektor kode fraktal untuk daun Miana
Gambar 36. Pola vektor kode fraktal untuk daun Sidaguri
Hasil vektor ciri sangat tergantung pada data yang digunakan. Faktor
keragaman pola tekstur daun dalam satu kelas mempengaruhi hasil ekstraksi
dengan kode fraktal. Gambar 35 menujukan kelas Miana yang memiliki pola
vektor kode fraktal mendekati seragam. Hal ini disebabkan pola tekstur daun pada
kelas tersebut memiliki kemiripan. Sedangkan Gambar 36 menujukan kelas
Sudaguri yang memiliki pola vektor kode fraktal tidak seragam. Hal ini
disebabkan pola tekstur daun pada kelas tersebut berbeda-beda.
5.2.4. Skala Kontras
Kontras dapat dimunculkan dengan menggunakan berbagai pola dari media
warna, bentuk, tekstur, ukuran dan ketajaman. Untuk mendapatkan nilai skala
kontras pada kode fraktal menggunakan persamaan 1. Nilai skala kontras
30
dipengaruhi oleh elemen-elemen blok domain dan elemen-elemen blok range pada
blok yang sedang diperiksa. Terdapat 2 nilai pada skala kontras yaitu positif dan
negatif. Nilai skala kontras bernilai negatif jika jumlah elemen-elemen blok
domain dikalikan jumlah elemen-elemen blok range lebih besar dari jumlah
perkalian antara elemen-elemen blok domain dan elemen-elemen blok range dapat
dilihat pada tabel 8. Selain itu bisa dipengaruhi oleh nilai hasil kuadrat dari jumlah
elemen-elemen blok domain yang lebih besar dibandingkan jumlah elemen-
elemen blok range kuadrat.
Tabel 8. Contoh Perhitungan Skala Kontras
Hasil Skala Kontras (s) Proses skala kontras (s)
-0,0031 s = 13220460-13224940
12184272-10715802
Hasil skala kontras bernilai negatif karena nilai jumlah elemen-elemen blok
domain dikalikan jumlah elemen-elemen blok range yaitu 13.224.940 lebih besar
dibandingkan jumlah perkalian antara elemen-elemen blok domain dan elemen-
elemen blok range yaitu 13.220.460.
5.3. Uji Coba
Pada tahap coba akan menjelaskan mengenai pengujian terhadap sistem
yang dikembangkan.
5.3.1. Uji Struktural
Uji coba struktural dilakukan untuk memastikan apakah keadaan website ini
terstruktur dengan baik sesuai dengan yang telah diharapkan atau tidak. Uji coba
struktural adalah menguji setiap form atau halaman yang telah dirancang dengan
cara menjalankan program tersebut.
Tabel 9. Uji Coba Struktural
No. Halaman Input
Benar
Input
Salah
Keterangan Hasil
1. Halaman utama Ya - Masuk ke halaman utama Sesuai
2. Halaman utama - Ya Tidak dapat masuk ke
halaman utama
Sesuai
3. Halaman proses
ekstaksi ciri
Ya - Masuk ke halaman proses
ekstraksi ciri
Sesuai
4. Halaman tanaman
obat
- Ya Tidak dapat masuk ke
halaman proses ekstraksi
ciri
Sesuai
5. Halaman ekstraksi
ciri
Ya - Masuk ke halaman
ekstraksi ciri
Sesuai
6. Halaman ekstraksi
ciri
- Ya Tidak dapat masuk ke
halaman ekstraksi ciri
Sesuai
7. Halaman hasil
ekstraksi ciri
Ya - Masuk ke halaman hasil
ekstraksi ciri
Sesuai
8. Halaman hasil
ekstraksi ciri
- Ya Tidak dapat masuk ke
halaman hasil ekstraksi
ciri
Sesuai
31
5.3.2. Uji Coba Fungsional
Uji coba fungsional merupakan uji coba yang bertujuan untuk mengetahui
apakah bagian proses website berjalan dengan baik sesuai dengan fungsinya.
Tabel 10. Uji Coba Fungsional
No Halaman Fungsional Keterangan 1. Halaman utama Menampilan informasi
tanaman obat
Berfungsi
2. Halaman proses
ekstraksi ciri
Menampilkan proses
hasil ekstraksi ciri
Berfungsi
3. Halaman
ekstraksi ciri
Form upload citra untuk
diekstraksi
Berfungsi
4. Halaman hasil
ekstraksi ciri
Menampilkan hasil
penciri citra yang telah
diesktraksi ciri
Berfungsi
5. Tombol upload Meng-upload citra yang
dibutuhkan
Berfungsi
6. Tombol Submit Proses ekstraksi ciri citra Berfungsi
5.3.3. Uji Coba Validasi
Langkah-langkah menghitung nilai skala kontras (s), kecerahan (g), rata-rata
blok domain dan rata-rata blok range.
1. Menghitung blok domain lokasi 16-00 dan blok range 11-00-00 bagian citra
kanan bawah (11)
2. Blok domain (a) dan blok range (b)
(a) (b)
Gambar 37. Blok domain (a) dan blok range (b)
3. Menghitung rata-rata blok domain (Rd)
Rd = (253,5 + 251,8 + 254 + 250,8) / 4
Rd = 252,5
4. Menghitung rata-rata blok range (Rr)
Rr = (39 + 44 + 41 + 39) / 4
Rr = 40,75
5. Menghitung nilai skala kontras (s)
s = (4 x 41156,7) - (1010 x 163)
4 x 255032 - (1010 x 1010)
s = (4 x 41156,7) - (1010 x 163)
4 x 255032 - (1010 x 1010)
s = 164627-164630
1020128-1020100
s = -3 = -0,109
25,5
39 44
41 39253.5 251.8
254 250.8
32
6. Menghitung nilai kecerahan (g)
g = 1/4 x (163(1010 x -0,11))
g = 1/4 x (-110,18)
g = 68,30
Tabel 11. Perhitungan Manual Daun Sambang Darah
Sambang Darah
Faktor
Skala
Kontras (s)
Faktor
kecerahan
(g)
Rata rata nilai
Blok Domain
(Rd)
Rata rata
nilai Blok
Range (Rr)
-0,11 68,30 252,5 40,75
Jika dihitung menggunakan sistem hasil yang didapat sama dengan
perhitungan secara manual seperti ditujukan pada gambar 37.
Gambar 38. Ekstraksi Ciri Citra Daun Sambang Darah
Setelah dilakukan uji coba validasi dengan cara membanding hasil antara
perhitungan manual dan perhitungan sistem tanaman obat dihasilkan keakuratan
dengan nilai 100%. Perhitungan manual dilakukan pada daun Sambang Darah.
Nilai skala kontras (s) pada daun Sambang Darah adalah -0,11. Sedangkan untuk
nilai kecerahan (g) adalah 68,30. Untuk nilai rata-rata blok domain dan rata-rata
blok range masing-masing memiliki nilai 252,5 dan 40,75 seperti ditujukan pada
tabel 11.
33
BAB VI
KESIMPULAN DAN SARAN
6.1. Kesimpulan
Penerapan metode untuk ekstraksi ciri citra pada Aplikasi Ekstraksi Ciri
Citra menggunakan metode Kode Fraktal. Perancangan sistem ini menggunakan
software Adobe Dreamweaver CS5 dengan bahasa pemrograman PHP,
perancangan database menggunakan MYSQL. Tahap penelitian dimulai dengan
akusisi citra sebagai pengumpulan data citra digital, lalu perancangan sistem
menggunakan ERD (Entity Relationship Diagram) dan Flowchart, hingga
dilakukan uji validasi sistem.
Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai
berikut:
1. Metode kode fraktal dapat diimplementasikan untuk mengembangkan aplikasi
ekstraksi ciri citra tanaman obat.
2. Dengan metode kode fraktal dapat dihitung nilai ciri citra dan dicari bagian-
bagian citra yang memiliki kemiripan antara satu bagian dengan bagian
lainnya.
3. Hasil ekstraksi metode kode fraktal membentuk pola vektor yang berbeda-
beda pada setiap kelasnya.
Uji coba validasi Kode Fraktal pada Aplikasi Ekstaksi Ciri Citra Tanaman
Obat adalah sangat baik. Hal ini ditunjukkan dengan hasil uji validasi sistem
dengan membandingkan hasil perhitungan manual dan hasil perhitungan sistem
pada 5 daun tanaman obat yang digunakan menghasilkan tingkat validitas kode
fraktal mencapai 100 %. Penelitian ini menghasilkan penciri citra tanaman obat
secara otomatis dan dapat digunakan untuk sistem identifikasi tanaman obat
berbasis citra
6.2. Saran Dalam penelitian ini ekstraksi ciri citra menggunakan kode fraktal
menghasilkan bentuk pola vektor yang berbeda-beda tiap kelasnya. Tingkat
akurasi kemiripan atau keseragaman pola vektor daun tiap kelasnya tidak sedikit
yang tidak seragam. Untuk mendapatkan penciri citra yang lebih baik dapat
menggunakan gabungan antara kode fraktal dan dimensi fraktal yang dengan cara
dilihat dari bentuk citra.