PENGGABUNGAN CIRI CITRA DAN TEKS UNTUK SISTEM

PENCARIAN TUMBUHAN OBAT INDONESIA

BERBASIS WEB

OKI MAULANA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

ii

ii

PENGGABUNGAN CIRI CITRA DAN TEKS UNTUK SISTEM

PENCARIAN TUMBUHAN OBAT INDONESIA

BERBASIS WEB

OKI MAULANA

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

ABSTRACT

OKI MAULANA. The Fusion of Image and Text Features for Indonesian Medicinal Plants

Search Engine Based on Web Application. Under the supervision of YENI HERDIYENI.

This research investigate the effectiveness of image and text fusion for Indonesian medicinal

plant search engine based on web application. This research used 51 species of Indonesian

medicinal plants and each species consists of 48 images, so the total images used in this research

are 2448 images. WeightedSUM is general linear combination formula to combine image and text

features.

Further research was conducted on the combination of features to get a better result in

medicinal plants search engine. Fuzzy Local Binary Pattern (FLBP) is used to extract texture in

image processing. This research uses the Probabilistic Neural Network (PNN) to improve image

similarity that used in the fusion process. BM25 weighting in document search engine is used to

get text similarity. Image and text similarity are combined using WeightedSUM to get the retrieval

results. The experimental results show that the fusion of image and text features can improve the

performance of retrieval results. In particular, the Average Precision (AVP) has increased from

0.31 to 0.71.

Keywords : BM25, Fuzzy Local Binary Patterns, Infromation Retrieval, Local Binary Patterns,

Probabilistic Neural Network.

ii

ii

Judul Skripsi : Penggabungan Ciri Citra dan Teks untuk Sistem Pencarian Tumbuhan Obat

Indonesia Berbasis Web

Nama : Oki Maulana

NRP : G64080019

Disetujui

Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom.

NIP 19750923 200012 2 001

Diketahui

Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom.

NIP 19660702 199302 1 001

Tanggal Lulus:

iii

iii

PRAKATA

Puji dan syukur penulis panjatkan kehadirat Allah subhanahu wa-ta'ala yang senantiasa

memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tulisan yang berjudul

Penggabungan Ciri Gambar dan Teks untuk Sistem Pencarian Tumbuhan Obat Berbasis Web.

Shalawat dan salam disampaikan kepada Nabi Muhammad shollallahu ‘alaihi wassalam beserta

keluarga, sahabat, dan pengikutnya yang tetap berada di jalan-Nya hingga akhir zaman.

Pembuatan skripsi ini tak lepas dari dukungan dan bantuan dari berbagai pihak. Oleh

karena itu, penulis menyampaikan rasa terima kasih kepada:

1 Kedua orang tua serta ketiga saudaraku tercinta, Inneu Kurniawati, Mamay Nugraha,

dan Desi Wulansari atas doa dan semangat yang diberikan.

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

memberikan banyak bantuan, kemudahan, saran dan ilmu kepada penulis.

3 Teman-teman satu bimbingan, Mayanda Mega Santoni, Ni Kadek Sri Wahyuni, Ryantie

Octaviani Suganda, Siska Susanti, Desta Sandya Prasvita, Pauzi Ibrahim, Canggih

Trisyanto, Tomy Kurniawan, Pak Rico dan Kak Gibtha atas saran, masukan dan nasihat

yang diberikan kepada penulis.

4 Teman-teman di Departemen Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,

bantuan, dan motivasi yang telah diberikan kepada penulis.

Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini.

Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca

tulisan ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi

penulis khususnya dan pembaca umumnya.

Bogor, September 2012

Oki Maulana

iv

iv

RIWAYAT HIDUP

Penulis dilahirkan di kota Ciamis pada tanggal 28 Oktober 1990. Penulis merupakan putra

pertama dari empat bersaudara dari pasangan Djodjo Saputra dan Neneng Kuraesin. Penulis

memulai pendidikan di TK Bhayangkari Ciamis pada tahun 1995. Penulis melanjutkan sekolah

dasar di SDN Sindangrasa 2 Ciamis lulus pada tahun 2002, kemudian melanjutkan pendidikan

menengah pertama di SMP 2 Ciamis dan lulus pada tahun 2005. Penulis menempuh pendidikan

menengah atas di SMA Negeri 2 Ciamis dan lulus pada tahun 2008. Setelah itu, penulis

melanjutkan kuliah dan diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas

Matematika dan Ilmu Pengetahuan Alam, IPB melalui jalur Undangan Seleksi Masuk IPB (USMI)

dan lulus pada tahun 2008. Dalam masa kuliah, penulis aktif di organisasi kemahasiswaan yaitu

sebagai Ketua Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) dan Ketua Paguyuban

Mahasiswa Galuh Ciamis (PMGC). Pada bulan Juli 2011, penulis melaksanakan Praktek Kerja

Lapang (PKL) di PT Pertamina Persero pusat yang berada di Jakarta.

v

v

DAFTAR ISI

Halaman

DAFTAR GAMBAR ....................................................................................................................... vi

DAFTAR LAMPIRAN .................................................................................................................... vi

DAFTAR TABEL ........................................................................................................................... vi

PENDAHULUAN Latar Belakang ............................................................................................................................ 1 Tujuan Penelitian ........................................................................................................................ 1 Ruang Lingkup Penelitian ........................................................................................................... 1

TINJAUAN PUSTAKA Temu kembali informasi ............................................................................................................. 1 Ekstraksi Fitur ............................................................................................................................. 2 Tekstur ........................................................................................................................................ 2 Ekstraksi Fitur dengan Fuzzy Local Binary Pattern .................................................................... 2 Probabilistic Neural Network (PNN) .......................................................................................... 2 Pembobotan BM25...................................................................................................................... 3 Penggabungan Ciri Citra dan Teks .............................................................................................. 3

METODE PENELITIAN Data Citra Tanaman Obat ............................................................................................................ 4 Praproses Citra ............................................................................................................................ 5 Ekstraksi Fitur Tekstur ................................................................................................................ 5 Perhitungan Similaritas ............................................................................................................... 5 Praproses Dokumen Tumbuhan Obat.......................................................................................... 5 Temu Kembali Informasi ............................................................................................................ 5 Penggabungan Ciri Citra dan Teks (Fusion Similarity) .............................................................. 5 Evaluasi Sistem ........................................................................................................................... 6 Lingkungan Pengembangan Sistem ............................................................................................ 6

HASIL DAN PEMBAHASAN Pemrosesan Teks ......................................................................................................................... 6 Pemrosesan Citra ......................................................................................................................... 7 Evaluasi Sistem Menggunakan Metode Penggabungan .............................................................. 7

SIMPULAN DAN SARAN Simpulan ................................................................................................................................... 11 Saran ......................................................................................................................................... 11

DAFTAR PUSTAKA ..................................................................................................................... 11

LAMPIRAN ................................................................................................................................... 13

vi

vi

DAFTAR GAMBAR

Halaman

1 Membership function m0() dan m1() sebagai fungsi dari ∆pi. ...................................................... 2 2 Struktur PNN. .............................................................................................................................. 3 3 Metode penelitian. ....................................................................................................................... 4 4 Alur proses penggabungan ciri citra dan teks.............................................................................. 5 5 Hasil praproses citra daun tumbuhan obat................................................................................... 7 6 Hasil akurasi setiap kelas tumbuhan obat. ................................................................................... 7 7 Kurva recall-precision metode penggabungan dan tanpa penggabungan. .................................. 8 8 Ilustrasi kueri citra relevan. ....................................................................................................... 10 9 Ilustrasi kueri citra tidak relevan. .............................................................................................. 10

10 Kurva recall-precision untuk kueri citra dan teks relevan. ....................................................... 10 11 Kurva recall-precision untuk kueri citra relevan dan teks tidak relevan. ................................. 10 12 Kurva recall-precision untuk kueri citra tidak relevan dan teks relevan. ................................. 10

DAFTAR LAMPIRAN

Halaman

1 51 citra tumbuhan obat ............................................................................................................... 14 2 Daftar 51 jenis tumbuhan obat Indonesia yang digunakan dalam penelitian ............................. 16 3 Kumpulan kueri uji ..................................................................................................................... 18 4 Screenshoot aplikasi ................................................................................................................... 20

DAFTAR TABEL

Halaman

Contoh hasil pencarian dengan metode tanpa penggabungan dan metode penggabungan ............... 9

1

PENDAHULUAN

Latar Belakang

Laboratorium Konservasi Tumbuhan,

Fakultas Kehutanan (Fahutan) IPB telah

mendata bahwa tidak kurang dari 2039

spesies tumbuhan obat tersebar di seluruh

hutan Indonesia sampai tahun 2001 (Zuhud

2009). Masalah yang timbul ialah masyarakat

akan sangat sulit untuk mengenali atau

melakukan identifikasi tumbuhan obat karena

spesies tumbuhan obat yang tersebar di

seluruh Indonesia dan penduduk tinggal di

daerah yang berbeda pula. Masyarakat

memerlukan suatu sistem berbasis web untuk

mengenali tumbuhan obat agar dapat

mengenali tumbuhan obat di manapun

masyarakat berada. Kusmana (2011), Kulsum

(2011), dan Valerina (2012) telah berhasil

mengembangkan sistem identifikasi citra

tumbuhan obat berupa aplikasi desktop,

sedangkan Herawan (2011) mengembangkan

aplikasi web untuk pencarian dokumen

tumbuhan obat. Akan tetapi, informasi yang

pengguna miliki tidak terbatas pada citra atau

teks saja. Oleh karena itu, sistem tidak hanya

perlu berbasis web, tetapi juga dapat

menggabungkan informasi citra dan teks.

Penelitian tentang penggabungan ini

sebelumnya telah dilakukan oleh Gkoufas et

al. (2011). Tim risetnya membangun sebuah

sistem temu kembali dalam bidang kesehatan

(X-Ray) dengan menggabungkan informasi

citra dan teks.

Untuk identifikasi berbasis citra, Local

Binary Pattern (LBP) adalah suatu metode

yang sederhana dan mampu mendeskripsikan

pola tekstur lokal dengan baik. Hasil dari

threshold pada LBP terkadang menghasilkan

pengodean biner yang tidak sesuai dengan

kandungan nilai pikselnya. Hal ini disebabkan

adanya ketidakpastian yang ditimbulkan oleh

noise. Fuzzy Local Binary Pattern (FLBP)

mampu mengatasi permasalahan

ketidakpastian pada representasi tekstur LBP

yang dikemukakan oleh Iakovidis et al.

(2008). Selain itu, Valerina (2011) melakukan

identifikasi tumbuhan obat menggunakan

metode ekstraksi tekstur Fuzzy Local Binary

Pattern (FLBP) pada citra. Akurasi yang

dihasilkan pada descriptor FLBPP,R mencapai

66.33% untuk operator (8,2).

Penelitian ini mengusulkan pembangunan

sistem aplikasi web yang menggabungkan ciri

citra dan teks untuk mengidentifikasi

tumbuhan obat di Indonesia. Untuk

penelusuran dengan kueri citra, diterapkan

metode FLBP untuk ekstraksi tekstur citra

tumbuhan obat dan PNN untuk pembobotan

kelas. Sistem pencarian dokumen tumbuhan

obat yang dikembangkan Herawan (2011)

digunakan untuk penelusuran dengan kueri

teks.

Tujuan Penelitian

Tujuan penelitian ini ialah

menggabungkan ciri citra dan teks untuk

mempermudah identifikasi dan pencarian citra

dan teks berbasis web.

Ruang Lingkup Penelitian

1 Dokumen yang digunakan untuk temu

kembali informasi berbasis teks adalah

dokumen tumbuhan obat Indonesia

berformat XML. Data citra daun tumbuhan

obat diperoleh dari kamera digital yang

diambil di kebun Biofarma, Cikabayan dan

rumah kaca Pusat Konservasi Ex-situ

Tumbuhan Obat Hutan Tropika Indonesia,

Fahutan, IPB, dan Kebun Raya Bogor.

2 Teknik yang digunakan untuk ekstraksi

fitur pada citra daun tumbuhan obat ialah

FLBP.

TINJAUAN PUSTAKA

Temu kembali informasi

Sistem temu kembali informasi

(Information retrieval system) merupakan

sistem pencari pada sekumpulan dokumen

elektronik yang memenuhi kebutuhan

informasi tertentu (Manning et al. 2008).

Sistem temu kembali informasi bertujuan

menjembatani kebutuhan informasi pengguna

dengan sumber informasi.

Temu kembali informasi berkaitan dengan

cara merepresentasikan, menyimpan,

mengorganisasikan, dan mengakses informasi.

Representasikan dan organisasi suatu

informasi harus membuat pengguna lebih

mudah dalam mengakses informasi yang

diinginkannya. Akan tetapi, mengetahui

informasi yang diinginkan pengguna bukan

merupakan suatu hal yang mudah. Untuk itu

pengguna harus menransformasikan informasi

yang dibutuhkan ke dalam suatu kueri yang

akan diproses mesin pencari (IR System)

sehingga kueri tersebut merepresentasikan

informasi yang dibutuhkan oleh pengguna.

Dengan kueri tersebut, IR system akan

menemukembalikan informasi yang relevan

terhadap kueri (Baeza-Yates & Ribeiro-Neto

1999).

2

Ekstraksi Fitur

Ekstraksi fitur adalah proses mendapatkan

fitur atau penciri dari suatu citra. Secara

umum, fitur citra berupa warna, bentuk, dan

tekstur. Acharya dan Ray (2005)

mendefinisikan fitur bentuk sebagai

pendeskripsi suatu objek yang bebas terhadap

posisi, orientasi, dan ukuran. Fitur tekstur

didefinisikan sebagai pengulangan pola atau

pola-pola yang ada pada suatu daerah bagian

citra.

Tekstur

Tekstur adalah gambaran visual dari

sebuah permukaan atau bahan. Dalam

computer vision, tekstur dicirikan dengan

variasi intensitas pada sebuah citra. Variasi

intensitas dapat disebabkan oleh kekasaran

atau perbedaan warna pada suatu permukaan.

Selain itu, tekstur juga merupakan properti

dari area. Properti-properti dari tekstur citra

meliputi keseragaman, kepadatan, kekasaran,

keberaturan, linearitas, keberarahan, dan

frekuensi. Penampilan tekstur dipengaruhi

oleh skala dan arah pandangan serta

lingkungan dan kondisi pencahayaan

(Mäenpää 2003).

Ekstraksi Fitur dengan Fuzzy Local Binary

Pattern

Fuzzification pada pendekatan LBP

meliputi transformasi variabel input menjadi

variabel fuzzy berdasarkan sekumpulan fuzzy

rule. Dalam hal ini, digunakan dua fuzzy

rule untuk menentukan mencari nilai biner

dan nilai fuzzy berdasarkan deskripsi relasi

antara nilai pada circular sampling pi dan

piksel pusat p nt r

(Iakovidis 2008). Dua

fuzzy rule tersebut yaitu:

Rule : semakin negatif nilai ∆pi, nilai

kepastian terbesar dari i adalah 0.

Rule : semakin positif nilai ∆pi, nilai

kepastian terbesar dari i adalah 1.

Gambar 1 menunjukan membership

function yang menghasilkan aturan R0 dan R1.

Dari aturan R0 dan R1, dua membership

function m0() dan m1() dapat ditentukan.

Fungsi m0() mendefinisikan derajat nilai di=0.

Membership function m0() adalah fungsi

menurun yang didefinisikan sebagai berikut:

m i

{

∆p

i

-∆pi

– ∆p

i

∆pi -

(1)

Sementara, membership function m1()

mendefinisikan derajat nilai di=1. Fungsi

m1() didefinisikan sebagai berikut:

m (i) {

∆pi

∆pi

– ∆p

i

∆pi -

(2)

Kedua membership function m i

dan m (i) ( ] merepresentasikan

parameter yang mengontrol derajat

ketidakpastian.

Gambar 1 Membership function m0() dan m1()

sebagai fungsi dari ∆pi.

Metode LBP original hanya

menghasilkan satu kode LBP, sedangkan

metode FLBP akan menghasilkan satu atau

lebih kode LBP. Masing-masing nilai LBP

yang dihasilkan memiliki tingkat kontribusi

(CA,CB) yang berbeda bergantung pada nilai-

nilai fungsi keanggotaan m0() dan m1()

yang dihasilkan. Untuk ketetanggaan 3x3,

kontribusi CLBP dari setiap kode LBP pada

histogram FLBP didefinisikan sebagai

berikut:

∏ m i(i) i (3)

Total kontribusi ketetanggaan 3x3 ke

dalam bin histogram FLBP yaitu:

∑ (4)

Probabilistic Neural Network (PNN)

PNN merupakan Artificial Neural Network

(ANN) yang menggunakan teorema

probabilitas klasik (pengklasifikasian Bayes).

PNN menggunakan pelatihan (training)

supervised. Training data PNN mudah dan

cepat. Bobot bukan merupakan hasil training

melainkan nilai yang dimasukkan (tersedia)

(Wu et al. 2007).

3

Gambar 2 Struktur PNN.

Struktur PNN terdiri atas empat lapisan,

yaitu lapisan masukan, lapisan pola, lapisan

penjumlahan, dan lapisan keputusan atau

keluaran. Lapisan masukan merupakan objek

yang terdiri atas nilai ciri yang akan

diklasifikasikan pada n kelas. Struktur PNN

ditunjukkan pada Gambar 2. Proses-proses

yang terjadi setelah lapisan masukan yaitu:

1 Lapisan pola (pattern layer)

Lapisan pola menggunakan 1 node untuk

setiap data pelatihan yang digunakan.

Setiap node pola merupakan perkalian titik

(dot product) dari x- xij kemudian dibagi

dengan bias tertentu σ dan selanjutnya

dimasukkan ke dalam fungsi radial basis,

yaitu ra as(n) xp -n Dengan

demikian, persamaan yang digunakan pada

lapisan pola ialah:

(x) xp(- x-xij

x-xij

) (5)

2 Lapisan penjumlahan (summation layer)

Lapisan ini menerima masukan dari node

lapisan pola yang terkait dengan kelas

yang ada. Persamaan yang digunakan pada

lapisan ini ialah:

p(x)

( )k k t

∑ xp -(x-xij)

(x-xij)

t

i (6)

3 Lapisan keluaran (output layer)

Lapisan ini menentukan kelas dari input

yang diberikan. Input x akan masuk ke Y

jika nilai p (x) paling besar dibandingkan

kelas lainnya.

Pembobotan BM25

Metode BM25 merupakan metode

pembobotan kata yang memeringkat setiap

kumpulan dokumen yang didasarkan pada

kata dalam kueri yang muncul pada setiap

dokumen. Rumus dalam menghitung skor

pada algoritme BM25 ditunjukkan pada

Persamaan 7 berikut:

k (7)

Persamaan 7 menjelaskan bahwa

merupakan term frequency pada sebuah

dokumen, IDF merupakan inverse dari jumlah

dokumen yang memuat kata kueri, k1

merupakan parameter bebas dengan nilai yang

digunakan yaitu k1=1.2. Rumus untuk

menghitung IDF ditunjukkan pada Persamaan

8 sebagai berikut:

t lo

t (8)

N merupakan banyaknya koleksi

dokumen, dan t

merupakan jumlah

dokumen yang memuat kata t.

Perhitungan yang digunakan untuk

peringkat dokumen terhadap kueri

menggunakan pembobotan BM25 yang sudah

disediakan Sphinx dengan algoritme:

BM25 =0

foreach(keyword inmatchingkeywords){

n= totalmatchingdocuments(keyword)

N = total_documents_in_collection

k1 =1.2

TF = current_document_occurrence

count(keyword)

IDF =log((N-n+1)/n)/log(1+N)

BM25 = BM25 + TF*IDF/(TF+k1) }

BM25 =0.5+BM25 /

(2*num_keywords(query))

Keterangan:

N : Total dokumen dalam korpus

n : Total dokumen yang memiliki

kata kueri

TF : Frekuensi term t pada dokumen

IDF : Inverted indeks dokumen

K1 : Parameter positif (1.2).

Penggabungan Ciri Citra dan Teks

Penggabungan ciri citra dan teks adalah

proses menggabungkan nilai similaritas citra

dan teks menjadi satu nilai similaritas baru.

Tujuan utamanya ialah meningkatkan akurasi

sistem. Jika ciri yang terdapat dalam citra

kurang bagus, dengan adanya penggabungan

ini, informasi teks berperan untuk melengkapi

ciri citra atau sebaliknya. Gkoufas et al.

(2011) melakukan riset tentang penggabungan

nilai similaritas citra dan teks dan

menghasilkan akurasi yang lebih bagus. Jika

kita memasukan kueri (q) dan sekumpulan

dokumen citra dan teks (d), rumus

penggabungannya sebagai berikut:

4

q

w s or t xtual q

w s or visual q (10)

dengan w1 adalah bobot teks yang diambil dari

nilai MAP dokumen yang ditemukembalikan,

scoretextual adalah nilai similaritas teks atau

dokumen, w2 adalah bobot citra yang diambil

dari nilai MAP citra hasil identifikasi, dan

scorevisual adalah nilai similaritas citra.

METODE PENELITIAN

Penelitian ini dilakukan dalam beberapa

tahap. Tahap-tahap tersebut diselesaikan

dengan metode penelitian yang dapat dilihat

pada Gambar 3. Data yang digunakan dalam

penelitian ini terdiri atas 2 jenis, yaitu

dokumen tumbuhan obat untuk temu kembali

informasi berbasis teks dan data citra

tumbuhan obat. Penelitian ini mengambil data

dan hasil penelitian dari Herawan (2011) dan

Valerina (2012).

Tahap pertama adalah praproses citra.

Citra akan dipersiapkan agar dapat diproses.

Setelah itu, proses dilanjutkan dengan

ekstraksi ciri menggunakan FLBP sehingga

dihasilkan suatu model. Model tersebut akan

dicocokkan dengan citra data uji. Dari hasil

pencocokan tersebut akan muncul gambar-

gambar yang cocok dengan kueri citra.

Kemudian sistem akan melakukan

pemrosesan teks. Hasil pemrosesan teks

kemudian digabung dengan hasil pencarian

citra. Pengguna juga dapat melihat detail dari

hasil pencarian tumbuhan obat tersebut.

Data Citra Tanaman Obat

Data penelitian merupakan data citra daun

tanaman obat yang diperoleh dari pemotretan

51 jenis tanaman obat yang terdapat di kebun

Biofarma, Cikabayan dan rumah kaca Pusat

Konservasi Ex-situ Tumbuhan Obat Hutan

Tropika Indonesia, Fahutan IPB dan Kebun

Gambar 3 Metode penelitian.

5

Raya Bogor. Masing-masing jenis tanaman

obat terdiri atas 24 pose citra bagian depan

dan 24 pose citra bagian belakang, sehingga

terdapat 2448 total citra tanaman obat. Citra

tumbuhan berformat JPG dan berukuran 270

x 240 piksel. Data citra ini akan dipasangkan

dengan dokumen dalam sistem Herawan

(2011). Satu citra akan dipasangkan dengan

satu dokumen dalam kelas yang sama. Nama

lokal, nama latin, dan foto daun 51 jenis

tanaman obat dapat dilihat di Lampiran 1 dan

2.

Praproses Citra

Sebelum memasuki tahap ekstraksi ciri,

pada citra yang telah diakuisisi dilakukan

proses perbaikan citra. Proses perbaikan citra

dibagi menjadi tiga tahap, yaitu penskalaan,

segmentasi background, dan konversi warna

menjadi abu-abu.

Ekstraksi Fitur Tekstur

Proses ekstraksi fitur yang digunakan

dalam penelitian ini menggunakan FLBP

dengan operator (8,2) dan parameter F=4.

Ekstraksi tekstur dilakukan dengan konvolusi

blok citra menggunakan operator tertentu.

Nilai FLBP akan disajikan dalam bentuk

histogram. Blok-blok citra kemudian akan

diekstraksi menggunakan metode FLBP.

Perhitungan Similaritas

Pada citra masukan yang telah diekstraksi

ciri, dilakukan perhitungan similaritas

menggunakan jarak Euclid. Pada proses

perhitungan similaritas ini akan dihasilkan

citra-citra yang memiliki kesamaan yang

paling besar antara citra yang dihasilkan dari

citra data latih dan citra masukannya.

Kesamaan citra kueri dengan citra data latih

direpresentasikan oleh jarak Euclid. Hasil

perhitungan jarak Euclid kemudian

dinormalisasi menggunakan normalisasi

minimum maksimum. Setelah dilakukan

normalisasi, nilai similaritas dimasukan ke

dalam persamaan 1 – hasil normalisasi agar

semakin mendekati satu citra semakin mirip.

Sistem ini akan memilih top-n citra sebagai

hasil dari temu kembali citra dengan cara

thresholding. Penelitian ini menggunakan

0.75 sebagai threshold.

Praproses Dokumen Tumbuhan Obat

Praproses untuk dokumen tumbuhan obat

diawali dengan lowercasing, tokenisasi,

pembuangan stopwords. Lowercasing adalah

proses untuk mengubah huruf capital menjadi

huruf non-capital. Tokenisasi adalah proses

untuk membagi dokumen menjadi term atau

token menggunakan teknik segmentasi atau

pemilahan. Stopwords disebut juga kata

buangan, yaitu kata-kata yang memiliki fungsi

namun tidak mempunyai arti. Stopwords

sangat banyak terdapat dalam dokumen,

sehingga kata-kata tersebut tidak dapat

dijadikan sebuah penciri suatu dokumen.

Temu Kembali Informasi

Pada tahap penelitian ini dilakukan

pengindeksan dokumen-dokumen (corpus)

hanya pada kelas yang ada hubungan dengan

kueri yang diberikan menggunakan engine

Sphinx. Kemudian, dokumen diboboti dengan

pembobotan BM25 dengan cara mengubah

parameter dalam Sphinx untuk menghitung

bobot kedekatan kueri dengan dokumen

koleksi.

Penggabungan Ciri Citra dan Teks (Fusion

Similarity)

Pertama sistem akan menerima citra kueri

dari pengguna untuk dilakukan ekstraksi

menggunakan FLBP. Hasil ekstraksi citra

kueri dihitung jaraknya ke citra lain.

Kemudian diberikan nilai threshold agar citra

hasil identifikasi ini tidak semuanya

ditampilkan. Selain menghitung jarak antar

citra, sistem juga melakukan klasifikasi PNN

sehingga didapat nilai peluang ke masing-

masing kelas (spesies). Peluang masing-

masing kelas ini disebut w1. Setiap citra hasil

temu kembali yang telah di-threshold akan

dikalikan dengan peluang kelasnya.

Gambar 4 Alur proses penggabungan ciri citra

dan teks.

Pada pemrosesan teks, kueri teks yang

dimasukan akan ditemukembalikan dan

didapat hasilnya berupa dokumen beserta nilai

similaritas. Tidak ada perkalian dengan bobot

teks pada pemrosesan teks. Terakhir, sistem

akan melakukan perhitungan penggabungan

nilai similaritas citra dan teks yang

6

berpasangan. Proses penggabungan tersebut

akan menghasilkan satu nilai similaritas baru

yang kemudian akan diurutkan dari terbesar

sampai terkecil dan ditampilkan kepada

pengguna. Alur proses penggabungan dapat

dilihat pada Gambar 4.

Evaluasi Sistem

Evaluasi dibagi menjadi dua bagian, yaitu

evaluasi untuk identifikasi citra dan search

engine menggunakan metode penggabungan.

Evaluasi search engine dibagi menjadi dua

sub evaluasi, yaitu perbandingan metode

penggabungan dan tanpa penggabungan serta

perbandingan metode penggabungan

menggunakan bobot kelas PNN dan tanpa

bobot kelas PNN.

Perhitungan akurasi untuk search engine

citra dan teks dengan metode penggabungan

menggunakan Average Precision (AVP) dan

Recall-Precision. AVP digunakan untuk

evaluasi perbandingan metode penggabungan

dan tanpa penggabungan, sedangkan Recall-

Precision digunakan untuk semua evaluasi

search engine. Perhitungan Recall-Precision

menggunakan 11 titik interpolasi maksimum.

Kueri uji ditentukan dengan memasukan kata-

kata yang mewakili isi tumbuhan obat.

Lingkungan Pengembangan Sistem

Perangkat keras yang digunakan dalam

penelitian ini yaitu Processor AMD Brazos

Dual Core E450 @ 1.65GHz, 3072 MB RAM,

dan harddisk 320 GB. Perangkat Lunak yang

digunakan ialah Sistem operasi Windows 7

Ultimate 64-bit, Visual Studio 2010 Ultimate,

NetBeans IDE 7.0, Notepad++ versi 5.9.8,

web browser Mozilla Firefox, Server XAMPP

1.7.2, MySQL sebagai DBMS, dan OpenCV

2.1.0 sebagai library pemrosesan citra.

HASIL DAN PEMBAHASAN

Pemrosesan Teks

Dokumen tumbuhan obat yang digunakan

dalam pemrosesan teks adalah dokumen yang

digunakan dalam penelitian Herawan (2011)

ditambah dokumen yang diambil dari internet.

Herawan (2011) membuat tag XML khusus

untuk mengelompokkan bagian-bagian

penting dalam dokumen tersebut. Sumber

dokumen yang digunakan dalam penelitian ini

kemudian diubah ke dalam bentuk tag XML

seperti yang dilakukan Herawan (2011),

namun ditambahkan beberapa tag baru. Tag

file XML yang telah dimodifikasi adalah

sebagai berikut:

<DOK></DOK>, tag ini mewakili

keseluruhan dokumen dan melingkupi tag-

tag lain yang lebih spesifik.

<ID></ID>, tag ini menunjukkan ID dari

dokumen.

<NAMA></NAMA>, tag ini

menunjukkan nama dari suatu jenis

tanaman obat.

<NAMAL></NAMAL>, tag ini

menunjukkan nama latin dari tanaman

obat.

<DESKRIPSI></DESKRIPSI>, tag ini

mewakili isi dari dokumen meliputi

deskripsi tanaman dan kegunaannya.

<FAM></FAM>, tag ini menunjukkan

nama famili dari tanaman obat.

<NAMAD></NAMAD>, tag ini

menunjukkan nama daerah dari tanaman

obat.

<HABITUS></HABITUS>, tag ini

menunjukkan habitus dari tanaman obat.

<URAIAN></URAIAN>, tag ini

menunjukkan deskripsi dari tanaman obat

yang sudah diringkas.

<BAGIAN></BAGIAN>, tag ini

menunjukkan bagian tanaman obat yang

digunakan.

<MANFAAT></MANFAAT>, tag ini

menunjukkan manfaat dari tanaman obat.

<BUDIDAYA></BUDIDAYA>, tag ini

menunjukkan cara budidaya dari tanaman

obat.

<KANKIM></KANKIM>, tag ini

menunjukkan kandungan kimia dari

tanaman obat.

<SIFATKHAS></SIFATKHAS>, tag ini

menunjukkan sifat khas dari tanaman obat.

<LOKASI></LOKASI>, tag ini

menunjukkan kandungan kimia dari

tanaman obat.

<PENYAKIT></PENYAKIT>, tag ini

menunjukkan penyakit yang dapat

disembuhkan dari jenis tumbuhan obat.

Setelah dilakukan tagging XML, data

tersebut dimasukan ke dalam database server.

Sebelum dilakukan temu kembali, pada

dokumen dilakukan praproses terlebih dahulu,

tahapannya ialah dengan lowercasing,

tokenisasi, dan pembuangan stopwords. Tahap

terakhir adalah pengindeksan dokumen.

Praproses dan pengindeksan dokumen

dilakukan oleh Sphinx.

7

Pemrosesan Citra

1 Praproses

Praproses data citra RGB dimulai dengan

menyeleksi suatu daun dan memperkecil

ukurannya menjadi 270 x 240 piksel tanpa

memotong bagian tubuh daunnya. Tahapan

berikutnya ialah mengubah background citra

menjadi putih dengan mempertahankan

bagian tubuh daunnya. Kemudian, citra RGB

tersebut diubah menjadi citra grayscale.

Tujuan praproses ini ialah mengurangi waktu

proses (running time) pada saat identifikasi

citra menggunakan FLBP. Praproses citra

daun dapat dilihat pada Gambar 5.

Gambar 5 Hasil praproses citra daun

tumbuhan obat.

2 Ekstraksi Fitur FLBP

Citra yang telah dilakukan praproses akan

diekstraksi menggunakan FLBPP,R. Pada

pemrosesan citra menggunakan LBPP,R

terdapat 2 parameter operator, yaitu sampling

points (P) dan radius (R). Sampling points ini

menentukan panjang bin pada histogram LBP,

sedangkan radius menentukan jari-jari dari

titik pusat setiap blok. Berdasarkan penelitian

Valerina (2012), nilai P=8 dan R=2 adalah

operator terbaik untuk pemrosesan tumbuhan

obat. Ekstraksi citra menggunakan FLBP juga

bergantung pada parameter fuzzification (F).

Nilai F terbaik untuk ekstraksi citra tumbuhan

obat ialah F=4.

FLBP8,2 dengan nilai F=4 menghasilkan

akurasi sebesar 66.33%. Hasil akurasi FLBP8,2

ini lebih baik dibandingkan hasil akurasi LBP

original. Akurasi tersebut diperoleh dari data

sebanyak 30 kelas dan masing-masing kelas

terdapat 48 citra.

Pada penelitian ini, data bertambah

menjadi 51 kelas dan masing-masing kelas

berjumlah 48 citra sehingga harus dilakukan

training ulang dan evaluasi. Pembagian data

latih dan data uji mengikuti Valerina (2012)

yaitu 80% dan 20%. Ekstraksi citra dengan

penambahan data baru ini menggunakan

FLBP8,2 dengan nilai F=4. Hasil akurasi

setelah ditambah data baru menjadi 59.02%.

Gambar 6 menunjukkan hasil akurasi untuk

setiap kelas tumbuhan obat.

Gambar 6 Hasil akurasi setiap kelas

tumbuhan obat.

Evaluasi Sistem Menggunakan Metode

Penggabungan

Metode penggabungan adalah metode

yang menggabungkan ciri citra dan teks pada

saat sistem melakukan proses temu kembali,

sedangkan sistem dengan metode tanpa

penggabungan hanya menggunakan

inforrmasi citra tanpa tambahan informasi

teks.

Pada saat kueri citra dan teks dimasukan,

sistem akan melakukan pemrosesan citra

terlebih dahulu. Citra akan diekstraksi

menggunakan FLBP8,2 dan dihitung jaraknya

menggunakan jarak Euclid. Berdasarkan

perhitungan jarak Euclid, semakin kecil nilai

jarak Euclid maka citra tersebut semakin

mirip. Sebaliknya, jika nilai jarak semakin

besar, citra tersebut semakin tidak sama. Nilai

jarak ini kemudian dinormalisasi

menggunakan normalisasi minimum

maksimum agar rentang nilai jaraknya antara

0 sampai 1. Kemudian, nilai jarak yang telah

dinormalisasi dikonversi agar semakin

0

10

20

30

40

50

60

70

80

90

100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akura

si (

%)

Kelas

Kelas 1 - 30

0

10

20

30

40

50

60

70

80

90

100

31 33 35 37 39 41 43 45 47 49 51

Akura

si (

%)

Kelas

Kelas 31 - 51

Citra asli

3888 x 2592

Penyekalaan

270 x 240

Segmentasi

background

Konversi warna

menjadi

abu-abu

8

mendekati nilai 1, citra tersebut semakin

sama, dan semakin mendekati 0 citra tersebut

semakin tidak sama. Nilai inilah yang disebut

image similarity yang akan digunakan dalam

proses temu kembali citra dan proses

penggabungan. Kemudian, citra akan

diurutkan berdasarkan nilai jarak terbesar.

Hasil pemrosesan citra kemudian dipotong

menggunakan nilai threshold 0.75 dan

didapat citra hasil pencarian dari pemrosesan

citra. Hasil pencarian inilah yang disebut hasil

temu kembali citra dengan metode tanpa

penggabungan.

Metode penggabungan akan bekerja

apabila terdapat informasi teks yang

dimasukan ke dalam sistem. Setelah dilakukan

pemrosesan citra, sistem akan melakukan

pemrosesan teks. Kueri teks akan diproses

menggunakan engine Sphinx dan

menghasilkan hasil temu kembali informasi

yang telah dihitung dan diurutkan

menggunakan pembobotan BM25. Bobot

dokumen hasil temu kembali ini disebut text

similarity. Setelah pemrosesan citra dan teks

selesai, sistem akan melakukan proses

penggabungan. Proses penggabungan adalah

proses menggabungkan nilai image similarity

dengan text similarity apabila terdapat

pasangan citra dan teks yang bersesuaian. Jika

citra tidak mempunyai pasangan dokumen

pada hasil temu kembali informasinya, text

similarity bernilai 0. Sebaliknya jika dokumen

tidak mempunyai pasangan citra pada hasil

temu kembali, image similarity bernilai 0.

Sistem dapat mendeteksi citra dan teks

merupakan pasangan apabila nomor file dan

kelasnya sama. Pada metode penggabungan,

image similarity dikalikan terlebih dahulu

dengan peluang kelas yang diperoleh dari

PNN.

Evaluasi sistem pada penelitian ini

menggunakan AVP untuk membandingkan

metode penggabungan dengan metode tanpa

penggabungan. Selain itu, evaluasi sistem juga

menggunakan kurva 11 titik Recall-Precision

dengan interpolasi maksimum untuk

membandingkan kinerja dari sistem yang

memasukan PNN pada proses penggabungan

dengan sistem yang tidak menggunakan PNN.

Interpolasi maksimum digunakan untuk

melihat kasus terbaik dari sistem ini.

Sistem dengan metode penggabungan

memiliki nilai AVP sebesar 0.71 dan sistem

dengan metode tanpa penggabungan memiliki

nilai AVP sebesar 0.31. Sistem dengan

metode penggabungan ternyata memiliki nilai

AVP lebih besar dibandingkan dengan metode

tanpa penggabungan karena jumlah citra dan

dokumen yang relevan pada metode

penggabungan lebih banyak daripada metode

tanpa penggabungan. Informasi teks yang

relevan menyebabkan jumlah dokumen

relevan yang ditemukembalikan bertambah.

Hal ini yang menyebabkan jumlah citra dan

dokumen yang relevan juga bertambah setelah

proses penggabungan.

Gambar 7 Kurva recall-precision metode

penggabungan dan tanpa

penggabungan.

Gambar 7 menunjukkan perbandingan

hasil pencarian antara metode penggabungan

dan tanpa penggabungan dilihat berdasarkan

peringkat hasil pencarian yang relevan.

Perbedaan kurva Fusion (metode

penggabungan) dengan kurva tanpa Fusion

(metode tanpa penggabungan) terlihat jelas.

Kurva Fusion selalu jauh di atas kurva tanpa

Fusion. Nilai Precision di setiap titik Recall

menggambarkan peringkat hasil pencarian

yang relevan pada kedua metode.

Berdasarkan kurva pada Gambar 7, metode

penggabungan membuat citra atau dokumen

yang relevan berkumpul di peringkat atas. Hal

ini disebabkan adanya kontribusi dari kueri

teks yang diberikan sehingga dapat

meningkatkan nilai similaritas dan jumlah

hasil pencarian yang relevan. Berbeda dengan

metode tanpa penggabungan, yang hasil

pencariannya berasal dari pemrosesan citra

saja, tidak ada bantuan informasi teks seperti

pada metode penggabungan.

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

.0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0

Pre

cisi

on

Recall

Fusion tanpa Fusion

9

Tabel 1 Contoh hasil pencarian dengan

metode tanpa penggabungan dan

metode penggabungan

Tanpa

Penggabungan

Penggabungan

A : [Relevan]

Sim = 0.09

A : [Relevan]

Sim = 0.43

B : [Relevan]

Sim = 0.09

B : [Relevan]

Sim = 0.42

C:[ Tidak Relevan]

Sim = 0.08

E : [Relevan]

Sim = 0.38

D:[ Tidak Relevan]

Sim = 0.08

C : [Tidak Relevan]

Sim = 0.08

E : [Relevan]

Sim = 0.07

D : [Tidak Relevan]

Sim = 0.08

Hasil pencarian antara metode

penggabungan dan tanpa penggabungan dapat

dilihat di Tabel 1. Misalkan pada kasus di

atas, kueri yang diberikan adalah citra dari

kelas Pandan Wangi. Citra relevan ialah citra

A, B, dan E. Metode tanpa penggabungan

menemukembalikan citra A dan B pada 2

peringkat teratas, namun citra E pada

peringkat terakhir. Metode penggabungan

bekerja dengan bantuan informasi teks. Misal

diberikan kueri teks “wangi hijau”, hasil

pencarian metode penggabungan akan lebih

baik. Citra E yang awalnya berada pada posisi

terakhir sekarang berada pada posisi 3.

Kenaikan peringkat tersebut disebabkan oleh

nilai similaritas citra yang relevan meningkat.

Citra A, B, dan E mengalami kenaikan

similaritas, sedangkan citra C dan D tidak

mengalami kenaikan similaritas. Pada

persamaan untuk menghitung similaritas

metode penggabungan, similaritas teks

(simtext) akan diberi nilai sesuai hasil

pencarian dari kueri teks yang diberikan,

sedangkan pada metode tanpa penggabungan

similaritas teks akan bernilai 0. Hal ini yang

menyebabkan citra relevan berkumpul di

peringkat teratas hasil pencarian.

Skenario pengujian menggunakan Recall-

Precision dibagi menjadi 3. Masing-masing

skenario pengujian membandingkan antara

metode penggabungan menggunakan peluang

kelas citra yang diperoleh dari PNN dengan

metode penggabungan tanpa menggunakan

peluang kelas PNN. Ketiga skenario

pengujian tersebut adalah pengujian untuk

kueri citra dan teks yang relevan, kueri citra

relevan namun kueri teks tidak relevan, serta

kueri citra tidak relevan namun kueri teks

relevan. Daftar kueri yang digunakan dapat

dilihat di Lampiran 3.

Kueri citra relevan adalah citra yang

dimasukan pengguna dan hasil identifikasinya

benar, sedangkan kueri citra yang tidak

relevan adalah citra yang dimasukan

pengguna dan menghasilkan citra yang tidak

relevan pada proses identifikasinya. Contoh

kueri citra relevan dapat dilihat pada Gambar

8 dan kueri citra tidak relevan dapat dilihat

pada Gambar 9. Pada pemrosesan teks, kueri

teks relevan adalah informasi teks berupa

kata, frase, atau kalimat yang dimasukan

pengguna dan menghasilkan informasi yang

sesuai pada peringkat pertama hasil pencarian,

sedangkan kueri teks yang tidak relevan

adalah informasi teks yang dimasukan

pengguna dan menghasilkan informasi yang

tidak sesuai pada peringkat pertama hasil

pencarian. Sebagai contoh, apabila pengguna

ingin mendapatkan dokumen pandan wangi

pada peringkat pertama hasil pencarian, kueri

teks yang benar ialah “wangi hijau”. Kueri

“wangi hijau” ini disebut kueri teks relevan.

Akan tetapi, apabila pengguna memasukan

kueri “mrambos merah”, sistem akan

menampilkan hasil pencarian yang bukan

dokumen pandan wangi. Kueri “mrambos

merah” disebut kueri teks tidak relevan.

10

Kueri Citra Hasil Identifikasi

Pandan Wangi

(Pandanus

amaryllifolius

Roxb.)

Pandan Wangi

(Pandanus

amaryllifolius

Roxb.)

Gambar 8 Ilustrasi kueri citra relevan.

Kueri Citra Hasil Identifikasi

Pandan Wangi

(Pandanus

amaryllifolius

Roxb.)

Andong

(Centella asiatica,

(Linn) Urban.)

Gambar 9 Ilustrasi kueri citra tidak relevan.

Jumlah data uji citra yang digunakan

sebesar 20% dari data citra keseluruhan

mengikuti penelitian Valerina (2012).

Pembagian kueri citra relevan dan tidak

relevan berdasarkan pengamatan terhadap 510

data uji citra. Citra relevan yang digunakan

sekitar 57% dari total data uji citra yang

tersedia, sedangkan untuk citra tidak relevan

sekitar 22%. Sebanyak 20% data uji citra

tidak menghasilkan citra yang relevan sama

sekali sehingga tidak dipakai untuk kueri uji.

Gambar 10 Kurva recall-precision untuk

kueri citra dan teks relevan.

Gambar 11 Kurva recall-precision untuk

kueri citra relevan dan teks

tidak relevan.

Gambar 12 Kurva recall-precision untuk

kueri citra tidak relevan dan

teks relevan.

Kurva PNN pada Gambar 10, 11, dan 12

menunjukkan metode penggabungan

menggunakan peluang kelas citra yang

diperoleh dari PNN, sedangkan kurva tanpa

PNN menunjukkan metode penggabungan

tanpa menggunakan peluang kelas PNN.

Gambar 10 menunjukkan perbandingan

kurva PNN dengan dan tanpa PNN pada kueri

citra dan teks yang relevan. Kurva PNN

ternyata sama dengan kurva tanpa PNN. Hal

ini menunjukkan informasi teks memiliki

peran yang penting dalam metode

penggabungan sehingga citra-citra relevan

naik peringkatnya hanya dengan informasi

teks saja. Kenaikan peringkat citra relevan

disebabkan adanya tambahan nilai similaritas

dari informasi teks yang diberikan. Akan

tetapi, kondisi ini berlaku apabila kueri teks

yang diberikan menghasilkan dokumen yang

relevan.

0.10.20.30.40.50.60.70.80.9

1

.0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0

Pre

cisi

on

Recall PNN tanpa PNN

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

.0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0

Pre

cisi

on

Recall PNN tanpa PNN

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

.0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0

Pre

cisi

on

Recall PNN tanpa PNN

11

Gambar 11 menunjukkan evaluasi kedua

sistem jika diberikan kueri citra relevan dan

teks yang tidak relevan. Secara umum, kurva

PNN lebih baik daripada kurva tanpa PNN

karena pada titik recall 0.2 sampai 1, kurva

PNN selalu berada di atas kurva tanpa PNN.

Bentuk kurva PNN relatif stabil karena

adanya perkalian dengan peluang kelas yang

dihasilkan dari PNN sehingga citra-citra yang

sejenis terutama yang relevan akan

berkumpul. Nilai precision pada citra relevan

yang berdekatan akan menghasilkan nilai

yang seragam. Pada titik 0 dan 0.1, kurva

tanpa PNN berada di atas kurva PNN.

Penyebabnya ialah peluang kelas relevan lebih

kecil daripada peluang kelas nonrelevan pada

beberapa kueri uji.

Evaluasi perbandingan kedua sistem untuk

kueri citra tidak relevan dan teks relevan dapat

dilihat pada Gambar 12. Perbedaan kurva

PNN dan tanpa PNN terlihat jelas. Kurva

tanpa PNN ternyata sedikit berada di atas

kurva PNN. Hal ini disebabkan sebelum

ditambah informasi teks pada kurva PNN,

nilai similaritas citra dikalikan dengan

peluang kelas yang dihasilkan dari PNN.

Peluang kelas relevan tidak akan terlalu tinggi

karena citra kueri tidak relevan. Oleh karena

itu, hasil pencarian pada metode

penggabungan menggunakan peluang kelas

citra yang diperoleh dari PNN sedikit lebih

baik daripada metode penggabungan tanpa

menggunakan peluang kelas PNN setelah

ditambah informasi teks yang relevan.

Aplikasi web yang dikembangkan pada

penelitian ini tidak hanya dapat digunakan

untuk pencarian saja, tetapi juga dapat

dimanfaatkan sebagai sistem untuk idenfikasi

tumbuhan obat. Proses identifikasi akan

menampilkan satu hasil citra yang memiliki

nilai similaritas terbesar. Sama halnya dengan

sistem pencarian yang akan menampilkan

citra berdasarkan nilai similaritas terbesar,

hanya saja hasil pencarian yang ditampilkan

banyak. Oleh karena itu, sistem pencarian ini

sekaligus sebagai sistem identifikasi dengan

cara melihat peringkat pertama hasil

pencarian.

Fitur tambahan yang disediakan aplikasi

ini ialah pencarian dokumen. Pengguna dapat

memasukan kueri teks saja untuk

menampilkan dokumen tumbuhan obat.

Aplikasi ini juga menyediakan fitur database

yang menampilkan 51 spesies tumbuhan obat

yang digunakan dalam penelitian ini.

Antarmuka fitur Medleaf dapat dilihat di

Lampiran 4.

SIMPULAN DAN SARAN

Simpulan

Pengembangan aplikasi web dengan

menggabungkan ciri citra dan teks berhasil

dilakukan. Sistem yang menggabungkan ciri

citra dan teks memiliki nilai AVP sebesar 0.71

sedangkan sistem yang tanpa menggabungkan

ciri citra dan teks memiliki AVP sebesar 0.31

untuk 51 data spesies tumbuhan obat

Indonesia. Penggabungan menggunakan

peluang kelas lebih baik daripada

penggabungan tanpa menggunakan peluang

kelas yang dihasilkan dari PNN.

Saran

Saran untuk penelitian selanjutnya yaitu:

1 Penambahan data citra dan dokumen

tumbuhan obat agar memperbanyak

koleksi tumbuhan obat.

2 Penelitian lebih lanjut mengenai pemilihan

metode perhitungan jarak dan nilai

threshold untuk temu kembali citra.

3 Penggunaan threading untuk pemrosesan

citra menggunakan FLBP agar waktu

komputasi semakin cepat.

DAFTAR PUSTAKA

Acharya T, Ray AK. 2005. Image Processing

Principles and Applications. New Jersey:

John Wiley & Sons, Inc.

Baeza-Yates R, Riberio-Neto B. 1999.

Modern Information Retrieval.

Wokingham: Addison Wesley.

Gkoufas Y, Morou A, Kalamboukis T. 2011.

Combining textual and visual information

for image retrieval in the medical domain.

The Open Medical Informatics Journal

5:50-57.

Herawan Y. 2011. Ekstraksi ciri dokumen

tumbuhan obat menggunakan Chi-Kuadrat

dengan klasifikasi Naïve Bayes [skripsi].

Bogor : Fakultas Matematika dan Ilmu

Pengetahuan Alam, Institut Pertanian

Bogor.

Iakovidis DK, Keramidas EG, Maroulis D.

2008. Fuzzy local binary patterns for

ultrasound texture charecterization. Di

dalam: Campilho A, Kamel M, editor.

Proceedings of the 5th International

12

Conference ICIAR; Portugal, 25-27 June

2008. Berlin: Springer Berlin Heidelberg.

hlm 750-759.

Kulsum LU. 2010. Identifikasi tanaman hias

secara otomatis menggunakan Metode

Local Binary Patterns Descriptor dan

Probabilistic Neural Network [skripsi].

Bogor: Fakultas Matematika dan Ilmu

Pengetahuan Alam, Institut Pertanian

Bogor.

Kusmana I. 2011. Penggabungan fitur Local

Binary Patterns untuk identifikasi citra

tumbuhan obat [skripsi]. Bogor: Fakultas

Matematika dan Ilmu Pengetahuan Alam,

Institut Pertanian Bogor.

Mäenpää T. 2003. The Local Binary Pattern

Approach to Texture Analysis. Oulu: Oulu

University Press.

Manning CD, Raghavan P, Schütze H. 2008.

An Introduction to Information Retrieval.

Cambridge: Cambridge University Press.

Valerina F. 2012. Ekstraksi tekstur citra

tumbuhan obat menggunakan Metode

Fuzzy Local Binary Pattern [skripsi].

Bogor : Fakultas Matematika dan Ilmu

Pengetahuan Alam, Institut Pertanian

Bogor.

Zuhud EAM. 2009. Potensi hutan tropika

sebagai penyangga bahan obat alam untuk

kesehatan bangsa. Jurnal Bahan Alam

Indonesia 6:232-277.

Wu SG et al. 2007. A leaf recognition

algorithm for plant using probabilistic

neural network. IEEE International

Symposium on Signal Processing and

Information Technology; Egypt, 15-18

December 2007. Giza: IEEE. hlm 11-16.

13

LAMPIRAN

14

Lampiran 1 51 citra tumbuhan obat

Pandan Wangi

(Pandanus

amaryllifolius

Roxb.)

Jarak Pagar

(Jatropha curcas

Linn.)

Dandang Gendis

(Clinacanthus

nutans Lindau)

Lavender

(Lavendula

afficinalis Chaix)

Akar Kuning

(Arcangelisiaflav

a L.)

Daruju

(Acanthus

ilicifolius L.)

Pegagan

(Centella

asiatica,

(Linn) Urban.)

Andong

(Centella

asiatica,

(Linn) Urban.)

Kemangi

(Ocimum

basilicum)

Iler

(Coleus

scutellarioides,

Linn, Benth)

Jeruk Nipis

(Citrus

aurantifolia,

Swingle.)

Bidani

(Quisqualis

Indica L.)

Gadung Cina

(Smilax china)

Tabat Barito

(Ficus deloidea

L.)

Nandang gendis

kuning

Bunga Telang

(Clitoria

ternatea

L.)

Mangkokan

(Nothopanax

scutellarium

Merr.)

Som Jawa

(Talinum

paniculatum

(jacq.) Gaertn.)

Pungpulutan

(Urena lobata L.)

Sosor Bebek

(Kalanchoe

pinnata

(Lam.)Pers)

Nanas kerang

(Rhoeo discolor

(L.Her.) Hance)

Seligi

(Phyllanthus

buxifolius Muell)

Remak Daging

(Excecaria

bicolor Hassk)

Kumis Kucing

(Orthosiphon

aristatus (B1)

Miq.)

Kemuning

(Murraya

paniculata [L..]

Jack.)

Cincau Hitam

(Mesona

palustris)

Sambang Darah

(Excoceria

cochinchinensis

Lour.)

Landik

(Barleria

lupulina

Lindl.)

Jambu Biji

(Psidium

guajava

L.)

Handeuleum

(Graptophyllum

pictum (L.)

Griffith)

15

Lanjutan

Kucing-kucingan

(Acalypha

indica)

Alamanda

(Allamanda

cathartica)

Amomum

truncatum gagn

(Zing)

Melati Mayang

(Ligustrum

lucidum)

Sirihan

(Piper aduncum)

Daun Encok

(Plumbago

scandens L

(plumb.))

Mondokaki

Abang

(Tabernae-

montana

pandacaqui Poir)

Terompet

(The

peruviana[Pers.]

K.Schum)

Jarak Merah

(Jatropha

Gossypifolia L.)

Cabai Rawit

(Capsicum

frutescens)

Kenanga

(Cananga

Odorata)

Pepaya

(Carica papaya)

Mrambos

Salam

(eugenia

polyantha)

Zodia

(Evodia

suaveolens)

Bunga Lilin

(Pachystachys

lutea L.)

Nangka

(Artocarpus

heterophyllus

lamk)

Sirsak

(Annona

muricata, Linn.)

Belimbing

Wuluh

(Averrhoa

bilimbi L.)

Mangga

(Mangifera

indica)

Rambutan

(Nephelium

lappaceum L.)

16

Lampiran 2 Daftar 51 jenis tumbuhan obat Indonesia yang digunakan dalam penelitian

No Nama Nama Latin

1 Pandan Wangi Pandanus amaryllifolius Roxb

2 Jarak Pagar Jatropha curcas Linn.

3 Dandang Gendis Clinacanthus nutans Lindau

4 Lavender Lavendula afficinalis Chaix

5 Akar Kuning Arcangelisiaflava L.

6 Daruju Acanthus ilicifolius L.

7 Pegagan Centella asiatica, (Linn) Urban.

8 Andong Centella asiatica, (Linn) Urban.

9 Kemangi Ocimum basilicum

10 Iler Coleus scutellarioides, Linn,Benth

11 Jeruk Nipis Citrus aurantifolia, Swingle.

12 Bidani Quisqualis Indica L.

13 Gadung Cina Smilax china

14 Tabat Barito Ficus deloidea L.

15 Nandang gendis kuning -

16 Bunga Telang Clitoria ternatea L.

17 Mangkokan Nothopanax scutellarium Merr.

18 Som Jawa Talinum paniculatum (jacq.) Gaertn.

19 Pungpulutan Urena lobata L.

20 Sosor Bebek Kalanchoe pinnata (Lam.)Pers

21 Nanas kerang Rhoeo discolor (L.Her.) Hance

22 Seligi Phyllanthus buxifolius Muell

23 Remek Daging Excecaria bicolor Hassk

24 Kumis Kucing Orthosiphon aristatus (B1) Miq.

25 Kemuning Murraya paniculata Jack.

26 Cincau Hitam Mesona palustris

27 Sambang Darah Excoceria cochinchinensis Lour.

28 Landik Barleria lupulina Lindl.

29 Jambu Biji Psidium guajava L.

30 Handeuleum Graptophyllum pictum (L.) Griffith.

31 kucing-kucingan Acalypha indica

32 Alamanda Allamanda cathartica

33 Amomum Amomum truncatum gagn (Zing)

34 Melati mayang Ligustrum lucidum

35 Sirihan Piper aduncum

36 Daun encok Plumbago scandens L (plumb.)

37 Mondokaki Abang Tabernaemontana pandacaqui Poir

38 Terompet The peruviana[Pers.] K.Schum

39 Jarak merah Jatropha Gossypifolia L.

40 Cabai rawit Capsicum frutescens

41 Kenanga Cananga Odorata

17

Lanjutan

42 Pepaya Carica papaya

43 Mrambos Hibiscus radiatus

44 Salam eugenia polyantha

45 Zodia Evodia suaveolens

46 Bunga lilin Pachystachys lutea L.

47 NANGKA Artocarpus heterophyllus lamk

48 Sirsak Annona muricata, Linn.

49 Belimbing Wuluh Averrhoa bilimbi L.

50 Mangga Mangifera indica

51 Rambutan Nephelium lappaceum L.

18

Lampiran 3 Kumpulan kueri uji

No Kueri

1 Pandan Wangi perawatan daun

2 Jarak Pagar nyeri biji

3 Dandang Gendis daun kencing manis

4 Lavender daun nyamuk

5 Akar Kuning pencernaan kayu

6 Daruju tumbuh

7 Pegagan demam berumbi

8 Andong daun sakit

9 Kemangi masuk angin daun

10 Iler wasir polifenol

11 Jeruk Nipis perawatan amandel

12 Bidani daun sakit

13 Gadung Cina nyeri rematik

14 Tabat Barito kulit keputihan

15 Nandang gendis kuning

16 Bunga Telang pewarna

17 Mangkokan rambut rontok daun

18 Som Jawa umbi saponin

19 Pungpulutan daun sakit

20 Sosor Bebek kulit pembersih darah

21 Nanas kerang pernapasan bronkhitis

22 Seligi daun sakit

23 Remek Daging demam batuk

24 Kumis Kucing saluran kemih

25 Kemuning daun penenang

26 Cincau Hitam sakit perut

27 Sambang Darah daun parasit

28 Landik kulit polifenol

29 Jambu Biji diabetes diare

30 Handeuleum sunda daun

31 kucing-kucingan diare herba

32 Alamanda demam getah

33 daun sakit amomum

34 Melati mayang liar anti radang

35 sirihan getah hutan

36 Daun encok rematik akar

37 Mondokaki Abang radang mata daun

38 terompet semak jantung

39 Jarak merah daun perdu

40 Cabai rawit sakit perut

41 Kenanga asma sesak

19

Lanjutan

42 Pepaya batu ginjal nafsu makan

43 daun mrambos bunga

44 Salam sakit perut

45 Zodia anti nyamuk

46 Bunga lilin diare semak

47 NANGKA demam daun

48 Sirsak nangka daun

49 Belimbing Wuluh batuk daun

50 MANGGA buah segar

51 Rambutan penurun panas

20

Lampiran 4 Screenshoot aplikasi

a) Tampilan Home Medleaf

b) Tampilan input kueri

c) Tampilan halaman hasil pencarian

21

d) Tampilan halaman detail tumbuhan obat