ITS Undergraduate 17424 Paper

Published on January 2017 | Categories: Documents | Downloads: 39 | Comments: 0 | Views: 251
of 6
Download PDF   Embed   Report

Comments

Content

Identifikasi Tumbuhan Berdasarkan Minutiae Tulang Daun Menggunakan SOM Kohonen
Arga Wahyumianto1, Dr. I Ketut Eddy Purnama, ST., MT 2, Christyowidiasmoro, ST., MT2 1 Mahasiswa S1 Teknik Elektro – Institut Teknologi Sepuluh Nopember 2 Staf Pengajar, Teknik Elektro – Institut Teknologi Sepuluh Nopember Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya 60111, Indonesia

Abstract- In this final project, a simple application have been made based on Matlab GUI to identify plant species based on the features of bone leaves. The method used for feature extraction for leaves bones (vein leaf) is fingerprint minutiae extraction. With this method, it will be detected bone branching leaf on leaf picture. It will obtained amount bone branch of leaves. From these data, tried to do the classification of images of leaves. From the examination that has been done, the average success rate of applications in classifying the leaf image using Kohonen neural network to determine the fourth class of plant leaves, amounting to 94.386% for guava, 89.469% for green eggplants, local peppers 85.417% and 99.731% for sweet potatoes. Keywords: Leaf Identification, minutiae extraction, Kohonen Neural Network, vein leaf

mencoba untuk memasukkan representasi tulang daun ke dalam sistem biometrik mereka. Dari gambar 1, ditunjukkan pola venasi yang berbeda yang telah mereka coba kenali dari gambar daun.

Gambar 1 Perbedaan pola venasi (Diadopsi dari Nam et al. (2005b)) Sebuah sistem klasifikasi berbasis tulang daun diperkenalkan oleh Park et al. (2006) menggunakan gambar dari buku "Flora Illustrated Korea". Fu & Chi (2003) mengusulkan pendekatan dalam dua tahap (segmentasi awal berdasarkan histogram intensitas gambar daun dan menggunakan classifier jaringan saraf buatan) untuk mengekstrak pola venasi dua puluh satu gambar daun yang berbeda dan memperoleh hasil yang lebih baik daripada penggunaan detektor tepi konvensional. Penelitian yang telah dilakukan dalam ekstraksi tulang daun ini menggunakan fourier dan pemodelan b-spline oleh Rahmadhani M. and Yeni Herdiyeni dalam papernya Shape and Vein Extraction on Plant Leaf Images Using Fourier and B-Spline Modeling . Sedangkan pada penelitian ini, akan mencoba untuk melakukan identifikasi terhadap citra daun. Metode ekstraksi yang dilakukan yakni metode ekstraksi minutiae pada sidik jari. Algoritma tersebut nantinya akan mendeteksi cabang dari tulang daun. Dari cabang tulang daun, akan dijadikan data training oleh Jaringan Saraf Kohonen. Citra daun yang akan digunakan dalam penelitian merupakan jenis daun tunggal dengan tulang daun menyirip.

I. PENDAHULUAN Daun yang dimiliki oleh tumbuhan merupakan salah satu biometric dari tumbuhan. Hal ini disebabkan karena daun pada tiap jenis tumbuhan memiliki bentuk dan ruas daun yang berbeda yang dapat digunakan sebagai fitur yang didapatkan melalui serangkaian proses pengolahan citra untuk dilakukan klasifikasi citra daun. Fitur ruas daun (tulang daun) belum sepenuhnya dieksploitasi sebagai ukuran kemiripan daun. Yang menarik adalah beberapa spesies tumbuhan mempunyai pola kontur yang hampir sama. Contoh, Nuphar Japonicum dan Nuphar Pumilum adalah anggota dari family Nymphaeaceae. Struktur tulang daun (pola venasi) merupakan fitur unik lain yang membedakan jenis tumbuhan dalam proses identifikasi spesies memainkan peran penting. Meskipun tulang daun yang khas dan permanen selama beberapa waktu sebelumnya tidak dapat dianggap sebagai biometrik yang dapat diandalkan karena tidak universal (beberapa spesies tidak menunjukkan pola venasi jelas) dan juga ekstraksi pola venasi dari gambar daun yang tidak mudah. Namun, dalam beberapa tahun terakhir, beberapa studi dapat dilihat pada venasi dan ekstraksi vena seperti studi, CLOVER: A Mobile Content-Based Leaf Image Retrieval System, Nam et al. (2005b)

II. DESAIN Alur identifikasi pada penelitian ini secara garis besar ditunjukkan pada Gambar 2 :

III. PENGOLAHAN CITRA A. Pre-processing dan segmentasi Pre-processing merupakan tahap persiapan untuk proses berikutnya. Input berupa image daun. Preprocessing meliputi konversi dari rgb ke gray. Tahap ini perlu dilakukan untuk memudahkan proses thresholding. Segmentasi yang dilakukan adalah thresholding. Dengan adanya thresholding, akan didapatkan citra tulang daun dalam bentuk biner. B. Morfologi Morfologi dapat disebut sebagai fungsi untuk merubah bentuk objek pada suatu citra 1. Dilasi Dilasi adalah operasi untuk mengembangkan atau menebalkan objek pada citra biner. 2. Erosi Erosi merupakan proses penghapusan titik-titik batas objek menjadi bagian dari latar, berdasarkan structuring element yang digunakan Parameter-parameter dalam morfologi yaitu panjang pixel(length) untuk dilasi maupun erosi serta derajat kemiringan sudut(deg). Gambar 4 length = 9, deg = 0o C. Thinning Untuk metode thinning menggunakan fungsi thinning yang terdapat di matlab. Algoritmanya adalah : 1. Membagi gambar menjadi dua subbidang berbeda dalam pola kotak-kotak. 2. Dalam subiteration pertama, hapus pixel p dari subfield pertama jika dan hanya jika kondisi G1, G2, dan G3 telah terpenuhi. 3. Dalam subiteration kedua, menghapus pixel p dari subfield kedua jika dan hanya jika kondisi G1, G2, dan G3’ telah terpenuhi. KONDISI G1 : XH(p) = 1 bi = 1 0 ( = 1 = 1) (1)

Gambar 2 Gambaran umum sistem Algoritma Sistem Ada banyak metode yang diterapkan dalam setiap tahapan identifikasi tulang daun. Dalam setiap tahapan tersebut, diterapkan metode-metode yang telah disesuaikan untuk keperluan proses selanjutnya. Untuk lebih jelasnya, algoritma sistem identifikasi tulang daun digambarkan dalam bagan di bawah ini.
Citra Daun 1

Citra Grayscale

Jml cabang tulang daun

Thresholding Kohonen Morphology : Dilasi, Erosi
Klasifikasi

Thinning

Roipoly

Fitur Tulang Daun

=

(2)

Ekstraksi Minutiae

X1, X2, ..., X8 adalah nilai-nilai dari delapan tetangganya p, dimulai dengan tetangga timur dan sesuai dengan nomor dengan urutan berlawanan arah jarum jam.

1

Gambar 3 Proses yang dilalui dalam setiap tahapan identifikasi

Gambar 5 Matriks window 3x3

KONDISI G2 : 2≤ ( ), Dengan : ( ) = ( ) = KONDISI G3 : ˅( ⋁ ⋁ KONDISI G3’ : V( ⋁ ⋁

( ) ≤ 3

(3)



(4) (5) Gambar 7 Hasil Ekstraksi minutiae Dari gambar 8 percabangan tulang daun ditunjukkan oleh titik warna biru. Dari titik biru ini dapat diperoleh informasi koordinat dari cabang tersebut dan jumlah percabangan yang ada di fitur tulang daun tersebut. V. POLA CABANG TULANG DAUN Untuk bisa diproses dalam tahap selanjutnya, diperlukan suatu pola agar pada masing-masing daun memiliki ciri sehingga bisa untuk diidentifikasi. Tahapan untuk membuat pola ini adalah sebuah percobaan, karena ada banyaknya jenis dan macam daun. Pola yang dicoba yakni menghitung banyaknya cabang pada tulang daun yang berada pada daerah tertentu dalam citra daun. Pembagian daerah tersebut berdasarkan height resolution dari citra daun. Pembagian tersebut sebagai berikut : Level 0 : cabang tulang daun yang berada di tulang daun primer Level 1 : cabang tulang daun yang berada pada di atas daerah level 0 atau berada di bawah level 0 Level 2 : cabang tulang daun yang berada pada di atas daerah level 1 atau berada di bawah level 1
Level 2 Level 0



) ⋀ ) ⋀

=0 =0

(6) (7)

IV. EKSTRAKSI FITUR Pada tahap ini, citra yang berupa fitur tulang daun akan dideteksi pola percabangan tulang daunnya dengan menggunakan metode ekstraksi minutiae seperti pada sidik jari. Langkah-langkah dalam ekstraksi cabang tulang daun prinsipya sama dengan ekstraksi minutiae pada sidik jari. Hal yang dilakukan antara lain : 1. Menggunakan Crossing Number (CN) , dimana CN adalah metode untuk mencari cabang bifurcations. Dengan memeriksa tetangga lokal dari setiap piksel yang mengalami percabangan menggunakan window 3x3 = 0,5 | − | (8)

Dengan Pi adalah nilai pixel dari tetangga P. Untuk pixel P, ada 8 nilai pixel tetangga akan discan berlawanan dengan arah jarum jam.

2.

Setelah melakukan scanning dan komputasi. Maka, pixel dapat digolongkan menurut nilai properties dari CN. Seperti yang ditunjukkan pada gambar 6 Gambar 8 Pola Cabang

Level 1

Gambar 6 CN = 3 3. Dari setiap titik ekstraksi minutiae, akan didapatkan koordinat letak titik tersebut. Dengan adanya koordinat tersebut, bisa dijadikan suatu pola cabang tulang daun.

Dari informasi banyaknya cabang tulang daun yang berdasarkan level tersebut, maka akan diperoleh data. Data tersebut akan dijadikan data training untuk melakukan pembelajaran dengan metode kohonen.

VI. KOHONEN NEURAL NETWORK Algoritma Kohonen Self Organizing yang digunakan untuk pengelompokan data(clustering) antara lain : 1. Menetapkan : a. Input data yang dinormalisasi b. Jumlah kelas

2.

Inisialisasi : a. Bobot Input (wij) dengan nilai sembarang atau dengan menggunakan rumus : = + 2 (9)

Tabel 1 Pengujian parameter morfologi
Citra Daun Dilasi Length : 5 Deg : 90 Length : 2 Deg : 90 Jambu6.jpg Length : 8 Deg : 90 Length : 5 Deg : 45 Length : 5 Deg : 90 Erosi Length : 5 Deg : 90 Length : 5 Deg : 90 Length : 5 Deg : 90 Length : 5 Deg : 90 Length : 5 Deg : 45 Hasil Morfologi

3. 4.

Dengan : wij = bobot antara variabel input ke-j dengan neuron pada kelas ke-i. MinXi = nilai minimum pada variabel input ke-i. MaxXi= nilai maksimum dari variabel input ke-i. b. Set parameter learning rate (α). c. Set maksimum epoh (MaxEpoh). Set Epoh = 0 Kerjakan jika Epoh < MaxEpoh a. Epoh = Epoh + 1 b. Pilih data secara acak, misalnya data terpilih data ke-j. c. Cari jarak antara data ke-j dengan tiap bobot input ke-i (Dj) : = − (10)

Dari tabel 1 didapatkan hasil yang berbeda untuk tiap parameter yang nilainya berbeda. Hasil yang bagus diperoleh ketika parameter untuk dilasi yakni length = 8 dengan deg = 90 dan erosi yakni length = 5 dengan deg = 90. Parameter yang juga menghasilkan citra yang bagus saat length = 5,deg = 90 untuk dilasi dan length = 5, deg = 45 untuk erosi. B. Ekstraksi Citra Tulang Daun Pengujian dilakukan dengan mengamati hasil ekstraksi dengan penghitungan manual jumlah cabang tulang daun. Hasilnya bisa dilihat pada tabel 2, tabel 3 dan tabel 4. Tabel 2 Presentase error ekstraksi pada citra daun jambu biji
Citra Daun Threshold 105 105 105 105 105 105 105 Hasil Ekstraksi 38 23 35 20 18 29 40 Perhitungan Manual 30 32 33 28 33 33 34 Error (%) 26,6 28,1 6 28,5 45 12,12 17,6

d. Cari bobot yang terkecil (pemenang) e. Update bobot yang baru :

=

+ (



) (11)

VII. PENGUJIAN Setelah melalui proses desain dan pembuatan serta analisa, maka aplikasi ini memerlukan proses pengujian. Pengujian ini bertujuan untuk mengamati dan menganalisa terhadap hasil penelitian. Pengujian ini meliputi: 1. Pengamatan hasil proses pengolahan citra yakni pengamatan terhadap parameter morfologi 2. Pengamatan hasil ekstraksi 3. Pengamatan terhadap hasil identifikasi dengan metode kohonen. A. Hasil Morfologi Pengujian dalam proses ini, yakni mencari parameter yang tepat agar mendapatkan fitur tulang daun yang nantinya bisa mendapatkan hasil ekstraksi yang bagus. Hasil percobaan mendapatkan parameter yang tepat ditunjukkan pada tabel 1. Parameter tersebut adalah length (panjang elemen(dalam pixel)) dan deg(sudut dari length(dalam derajat)) Pengujian dilakukan pada sampel citra daun jambu biji dengan nilai threshold yakni 90.

Dari tabel 2, diperoleh error yang bervariasi. Error paling besar diperoleh pada citra daun baris ke-5 yakni sebesar 45%. Error sebesar itu dikarenakan nilai thresholding terlalu besar, sehingga banyak informasi yang hilang. Apabila nilai threshold tersebut diganti dengan 100, error yang didapatkan yakni 9%.

Tabel 3 Presentase error ekstraksi pada citra daun terong hijau
Citra Daun Threshold Hasil Ekstraksi Perhitungan Manual Error (%)

Pada ekstraksi daun cabai lokal, error yang kurang dari 50% terdapat pada citra daun baris ke-3 dan ke-6. Selain kedua citra tersebut, errornya lebih dari 50%, bahkan lebih dari 100%. Dengan nilai threshold sebesar 90, ternyata belum mampu mendeteksi cabang tulang daun secara maksimal. C. Hasil Klasifikasi Kohonen Untuk inisialisasi dalam Jaringan Saraf Tiruan Kohonen, parameter-parameter jaringan telah diset sebagai berikut : Inisialisasi awal : W1 = [0,58 0,4 0,65] W2 = [0,6 0,3 0,8] W3 = [0,4 0,5 0,75] W4 = [0,3 0,4 0,5] α = 0,8 Ket : W1 : bobot awal untuk daun jambu biji W2 : bobot awal untuk daun terong hijau W3 : bobot awal untuk daun cabai lokal W4 : bobot awal untuk daun ubi jalar α : learning rate Setelah dilakukan pembelajaran dengan inisialisasi awal dan dengan data training daun, maka akan dihasilkan bobot-bobot baru. Dengan bobot baru tersebut, data uji akan di-learning sehingga nantinya akan dapat diklasifikasikan. Tabel 5 Hasil pengujian proses identifikasi
Percobaan Kelompok 1 91,404 89,834 95,571 91,404 98,433 99,674 94,386 79,564 82,162 81,378 83,074 81,544 60,799 71,128 Kebenaran (%) Kelompok 2 33,03 32,618 35,858 33,03 40,627 53,965 38,188 92,991 83,506 90,334 91,048 89,469 80,232 73,739 3 89,488 89,314 89,475 89,488 88,692 86,312 88,79 82,749 76,575 78,842 83,897 80,515 85,134 78,08 4 86,075 88,233 79,095 86,075 72,247 60,226 78,658 44,694 57,576 49,455 41,979 48,426 73,833 77,05

130

45

56

19,6

130

49

40

22,5

130

21

57

63,1

130

58

62

6,4

130

111

48

131,25

130

108

35

208,5

130

106

38

178,9

Pada tabel 3, terdapat error di atas 100% yakni pada citra daun pada baris ke-5, baris ke-6, dan baris ke-7. Dan error di atas 50% pada citra daun baris ke3. Nilai thresholding ke-4 citra tersebut kurang tepat, sehingga terjadi error yang besar. Tabel 4 Presentase error ekstraksi pada citra daun cabai lokal
Citra Daun Threshold 90 Hasil Ekstraksi 13 Perhitungan Manual 35 Error (%) 62,8

1 2 3 4 5 6

1 1 1 1 1 1

90

316

24

1216,6

90

15

25

40

Rata-rata tingkat pengenalan (%) 7 2 8 2 2 2

90

62

36

72,2

9 10

90

226

31

629,0 Rata-rata tingkat pengenalan (%)

90

13

23

43,4

11 12

3 3

Percobaan

Kelompok 1 78 61,321 67,756 74,915 74,148 76,86 73,348 74,817

Kebenaran (%) Kelompok 2 84,657 73,339 77,991 40,839 41,282 38,4 43,28 40,950 3 88,938 89,519 85,417 84,388 84,266 85,36 83,38 84,348 4 48,627 75,909 68,854 99,9 99,756 99,37 99,9 99,731

13 14

3 3

Rata-rata tingkat pengenalan (%) 15 16 17 18 4 4 4 4

Rata-rata tingkat pengenalan (%)

Tabel 5 menunjukkan tingkat keberhasilan klasifikasi kohonen untuk menentukan kelas keempat daun tumbuhan yakni kelompok 1 untuk jambu biji, kelompok 2 untuk terong hijau, kelompok 3 untuk cabe lokal dan kelompok 4 untuk ubi jalar. KESIMPULAN Untuk mengekstraksi fitur tulang daun bisa digunakan algoritma metode ekstraksi minutiae pada sidik jari untuk mendeteksi cabang tulang daun. Rata-rata tingkat keberhasilan aplikasi dalam klasifikasi menggunakan kohonen untuk menentukan kelas ketiga daun tumbuhan yakni 94,386% untuk jambu biji, 89,469% untuk terong hijau, 85,417% untuk cabai lokal dan 99,731% untuk ubi jalar.

1.

2.

[5] Iqbal, Muhammad. 2009. Dasar Pengolahan Citra dengan MATLAB. [6] Putra, Darma. 2009. PENGOLAHAN CITRA DIGITAL. ANDI YOYAKARTA. [7] M, Rahmadhani, Herdiyeni, Yeni. 2010. Shape and Vein Extraction on Plant Leaf Images Using Fourier and B-Spline Modeling. IPB [8] R. C. Gonzalez, R. E. Woods, and S. L. Eddins, Digital Image Processing Using MATLAB. Prentice Hall, 2004 [9] Zainal Arifin, Agus, Bagus, Bayu, Navastara, Dini Adni. Klasifikasi Online Citra Daun berdasarkan Fitur Bentuk dan Ruas Daun. FTIF-ITS. [10] Lam, L., Seong-Whan Lee, and Ching Y. Suen, "Thinning Methodologies-A Comprehensive Survey," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 14, No. 9, September 1992, page 879, bottom of first column through top of second column. [11] (2007) Matlab images processing toolbox documentation. MathWorks. Inc. [Online]. Available:http://www.mathworks.com/help/toolb ox/images/ref/bwmorph.html [12] (2007) Matlab images processing toolbox documentation. MathWorks. Inc. [Online]. Available:http://www.mathworks.com/help/toolb ox/images/ref/roipoly.html [13] (2009) Matlab GUI Tutorial. [online]. Available :http://blinkdagger.com/matlab/matlab-guigraphical-user-interface-tutorial-for-beginners/.

PUSTAKA [1] Yusuf, Muhammad Taufik. 2008. MEMBEDAKAN OBJEK MENGGUNAKAN METODE THRESHOLDING DAN FUNGSI MORFOLOGI, Departemen Teknik Elektro, Fakultas Teknik Universitas IndonesiaKampus Baru UI, Depok 16424, Indonesia [2] Pahalawatta, KK. 2008. PLANT SPECIES BIOMETRIC USING FEATURE HIERARCHIES, Department of Computer Science and Software Engineering University of Canterbury. [3] Thai, Raymond. 2003. Fingerprint Image Enhancement and Minutiae Extraction, School of Computer Science and Software Engineering, The University of Western Australia. [4] Azman, Mohd. 2010. ANALYSIS OF FINGERPRINT PERFORMANCE AMONG LEFT HANDED AND RIGHT HANDED PEOPLE, UNIVERSITI TEKNOLOGI MALAYSIA.

Sponsor Documents

Or use your account on DocShare.tips

Hide

Forgot your password?

Or register your new account on DocShare.tips

Hide

Lost your password? Please enter your email address. You will receive a link to create a new password.

Back to log-in

Close