bab i pendahuluanperpustakaan.fmipa.unpak.ac.id/file/skripsi lengkap.pdfobat adalah metode kode...

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




e) Menghitung RMS antara blok domain dan blok range dengan persamaan 3

(Soelaiman, 2007).

....................................(3)

dengan :

s = Skala kontras





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]


$i=0;$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++



$j=8;$j<12;$j++

$j=12;$j<16;$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]


$x=0;$x<4;$x++

$i=4;$i<8;$i++

$j=0;$j<4;$j++

$j=4;$j<8;$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++



$x=0;$x<4;$x++

$i=4;$i<8;$i++

$j=0;$j<4;$j++

$j=4;$j<8;$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


$i=0;$i<4;$i++

$j=0;$j<20;$j++

$j < 4

$m = 16

Y $m = 4

N


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

http://localhost/xampp/

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




…………………………………………………..... (2)

dengan :





....................................(3)

dengan :

s = Skala kontras





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


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


bagian citra kiri bawah (10)

No

Blok Domain Citra

asli

Blok Range Citra


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


bagian citra kanan bawah (11)

No

Blok Domain Citra

asli

Blok Range Citra


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


halaman ekstraksi ciri

Sesuai

7. Halaman hasil

ekstraksi ciri

Ya - Masuk ke halaman hasil

ekstraksi ciri

Sesuai

8. Halaman hasil

ekstraksi ciri


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.

bab i pendahuluanperpustakaan.fmipa.unpak.ac.id/file/skripsi lengkap.pdfobat adalah metode kode...

Documents