PengenalanSpesiesTanamanBerdasarkanBentuk...
Transcript of PengenalanSpesiesTanamanBerdasarkanBentuk...
Pengenalan Spesies Tanaman Berdasarkan Bentuk
Daun Menggunakan Metode Klasifikasi Move Median
Center (MMC) Hypersphere
PRESENTASI TUGAS AKHIR
Page 1
Yusuf Ardiansjah (5107100156)
Dosen Pembimbing :
Nanik Suciati, S.Kom, M.Kom., Dr.Eng.
Darlis Herumurti, S.Kom, M.Kom
LATAR BELAKANG
3. Tanaman dapat diklasifikasikan berdasarkan bentuk daunnya.
2. Masih banyak tanaman di dunia yang belum teridentifikasi namanya.
1. Tanaman memainkan peran penting dalam kehidupan.
3. Tanaman dapat diklasifikasikan berdasarkan bentuk daunnya.
4. Perangkat lunak yang mampu mengenali spesies tanaman perlu
dikembangkan untuk mengotomasi proses pengklasifikasian tanaman.
Tugas Akhir – KI091391 324 Januari 2012
TUJUAN
Tujuan dari pembuatan tugas akhir ini adalah untuk
mengembangkan perangkat lunak yang dapat mengklasifikasikan
tanaman menggunakan ekstraksi fiitur morfologi bentuk pada citratanaman menggunakan ekstraksi fiitur morfologi bentuk pada citra
daun dan algoritma Move Median Center (MMC) Hypersphere untuk
klasifikasinya.
Tugas Akhir – KI091391 424 Januari 2012
RUMUSAN MASALAH
2. Bagaimana melakukan ekstraksi fitur pada daun sehinggadidapatkan fitur morfologi bentuk dari citra daun ?
1. Bagaimana melakukan preproses pada citra daun RGB sehinggadidapatkan citra tepi dari daun ?
Tugas Akhir – KI091391 524 Januari 2012
3. Bagaimana mengimplementasikan algoritma MMC Hypersphereuntuk proses pengenalan spesies tanaman berdasarkan bentuk citradaun ?
Metode dan Metode dan Metode dan Metode dan Metode dan Metode dan Metode dan Metode dan
ImplementasiImplementasiImplementasiImplementasi
Page 6
Gambaran Umum
Akuisisi Citra Daun Preproses Citra Daun
Ekstraksi Fitur
Training MMC
Klasifikasi
Hasil
Tugas Akhir – KI091391 724 Januari 2012
Akuisisi Citra Daun
Citra yang digunakan berasal dari http://flavia.sf.net
• Database terdiri dari 1907 citra daun
• Citra daun yang diambil merupakan citra daun tanpa latar belakang• Citra daun yang diambil merupakan citra daun tanpa latar belakang
• Terdiri dari 32 spesies (kelas) yang berbeda
• Setiap kelas memiliki jumlah data citra daun yang berbeda
Tugas Akhir – KI091391 824 Januari 2012
Image Preproses
Tujuannya untuk mendapatkan citra tepi (kontur) dari citra daun.
• Citra dari database dirubah menjadi citra grayscale
• Menggunakan threshold 0.95 citra grayscale dirubah menjadi citra
biner
• Menggunakan filter laplacian, citra biner dirubah menjadi citra tepi
Tugas Akhir – KI091391 924 Januari 2012
Ekstraksi Fitur
Tujuannya untuk
mendapatkan fitur 15
DMF dari citra daun
Fitur DMF yang diambil, Fitur DMF yang diambil,
terdiri dari :
• 8 fitur GF
• 7 fitur Invariant Moment
(MF)
Tugas Akhir – KI091391 1024 Januari 2012
Geometrical Feature (GF)
Fitur-fitur yang digunakan dalam GF
• Aspect ratio (AR) : perbandingan panjang max (Dmax) dan panjang
min (Dmin)
• Rectangularity : perbandingan area ROI (area daun) AROI dan area
MBR
• Area ratio of convex hull : perbandingan area ROI (area daun)
dengan area convex hull Ac
Tugas Akhir – KI091391 1124 Januari 2012
Geometrical Feature (GF)
Fitur-fitur yang digunakan dalam GF
• Perimeter ratio of convex hull : perbandingan keliling ROI (keliling
daun) PROI dengan keliling convex hull Pc
• Sphericity : perbandingan jari-jari lingkaran dalam ri dengan jari-jari
lingkaran luar rc
• Circularity : perbandingan mean jarak tepi ke pusat citra daun µR
dengan kuadratik dari jarak tersebut σR
Tugas Akhir – KI091391 1224 Januari 2012
Geometrical Feature (GF)
Fitur-fitur yang digunakan dalam GF
• Eccentricity : perbandingan panjang inersia utama citra EA dengan
panjang minor inersia EB
• Form factor
Tugas Akhir – KI091391 1324 Januari 2012
INVARIANT MOMENT FEATURE(MF)
Digunakan pula MF sebagai baian dari DMF
Fungsi MF tidak berubah terhadap transformasi geometris seperti
translasi, penyekalaan, dan rotasi
Momen suatu citra I(x,y) didefinisikan sebagai berikut :
Dinormalisasi, dengan
dengan nilai
Sehingga menghasilkan 7 Hu moment Invariant sebagai fitur.
Tugas Akhir – KI091391 1424 Januari 2012
Training MMC Hypersphere
Hasil dari proses training ini adalah matriks berisi kelas, jari-jari, serta pusat
hypersphere
Digunakan untuk menentukan kelas data uji pada proses klasifikasi
Tugas Akhir – KI091391 1624 Januari 2012
Training MMC HypersphereLangkah 1 – Tentukan sebagai inisialnya K
= 1, C = 1, S = semua titik dari kelas C.
Langkah 2 – Tentukan median dari S.
Langkah 3 – Pilih titik terdekat Py ke
median sebagai inisial pusat dari
hypersphere K.
Langkah 4 – Tentukan titik terdekat titik
Pz dari kelas yang berbeda dari pusat,
dengan D sebagai jarak antara P dan P .dengan D1 sebagai jarak antara Py dan Pz.
Langkah 5 – Tentukan titik terjauh dari
kelas yang sama di dalam hypersphere dari
radius D1 ke pusat, dengan D2 sebagai
jarak dari pusat ke titik terjauh.
Langkah 6 – Tetapkan radius dari
hypersphere K sebagai (D1+D2)/2.
Tugas Akhir – KI091391 1724 Januari 2012
Training MMC HypersphereLangkah 7 – Cari di antara titik E dalam
kelas yang sama C yang merupakan arah
negative yang didefinisikan sebagai
berikut Px – Py . Tujuannya adalah
memindahkan pusat dari titik baru untuk
memperbesar hypersphere. Titik yang
paling negative dipilih untuk
menggantikan Py sebagai pusat.
Langkah 8 – Jika tidak adah titik denganLangkah 8 – Jika tidak adah titik dengan
arah negative yang dapat dipindah,
Hypersphere K telah terpenuhi, jika tidak
maka ulangi langkah 5-7.
Langkah 9 - Hapus titik yang diliputi
oleh hypersphere K dari S.
Langkah 10 – Tetapkan K = K+1, jika S
tidak kosong maka ulangi langkah 2-9,
jika tidak maka C = C+1, dan operasikan
pada kelas baru dengan menjalankan 1-9.
Tugas Akhir – KI091391 1824 Januari 2012
Tahap Klasifikasi
Langkah 1 : Hitung jarak Di antara data poin dan pusat
dari tiap hypersphere HiLangkah 2 : Indeks untuk tetangga terdekat
Tujuannya adalah untuk menentukan kelas dari data uji
Langkah 2 : Indeks untuk tetangga terdekat
hypersphere Iq dipilih sebagai berikut :
dimana H merupakan total hypersphere, Ri
merupakan radius dari hypersphere Hi
Tugas Akhir – KI091391 1924 Januari 2012
1. Tahap uji coba pertama adalah uji coba algoritma MMC hyperspheredengan melakukan modifikasi data latih dan data uji.Di uji pula keterkaitan fitur DMF, GF, MF dengan correction rate (%).
2. Algoritma MMC akan dibandingkan dengan algoritma lain yaitu k-NN,
SKENARIO UJI COBA
2. Algoritma MMC akan dibandingkan dengan algoritma lain yaitu k-NN,dengan jumlah k adalah 1,3 dan 5.
Skenario Pertama
Hasil Akurasi rata-rata dari algoritma MMC
No Jumlah data training Akurasi (%)
1 10 60.055
2 15 60.74281
3 20 60.64625
Tugas Akhir – KI091391 2224 Januari 2012
3 20 60.64625
4 25 64.495
5 30 61.57281
6 35 63.57625
7 40 65.14531
8 45 62.88719
Skenario Pertama
Hasil Akurasi rata-rata dari algoritma MMC
64
65
66
Akurasi dalam %
Tugas Akhir – KI091391 2324 Januari 2012
57
58
59
60
61
62
63
64
1 2 3 4 5 6 7 8
Akurasi
Percobaan ke
Akurasi dalam %
Skenario Pertama
Hasil akurasi perbandingan fitur-fitur
datatraining DMF GF MF
10 60.055 50.06738 55.47866
15 60.74281 50.06738 58.51687
Tugas Akhir – KI091391 2424 Januari 2012
20 60.64625 57.83424 55.52116
25 64.495 59.43415 57.22833
30 61.57281 60.06341 51.46284
35 63.57625 59.31053 55.31016
40 65.14531 61.32471 57.17414
45 62.88719 59.53584 58.70457
Skenario Pertama
Hasil akurasi perbandingan fitur-fitur
60
70
Correction Rate
Tugas Akhir – KI091391 2524 Januari 2012
0
10
20
30
40
50
10 15 20 25 30 35 40 45
Co
rre
ctio
n r
ate
(%
)
DMF
GF
MF
Skenario Kedua
Hasil perbandingan akurasi MMC, 1-NN, 3-NN, dan 5-NN
Algoritma
datatrain mmc 1nn 3nn 5nn
Tugas Akhir – KI091391 2624 Januari 2012
datatrain mmc 1nn 3nn 5nn
10 60.055 70.47594 68.69938 68.73
20 60.64625 75.27656 72.40656 72.80719
30 61.57281 75.67219 74.50156 73.4475
40 65.14531 78.76781 79.46781 78.3775
Skenario Kedua
Hasil perbandingan akurasi MMC, 1-NN, 3-NN, dan 5-NN
70
80
90
Akurasi(%)
Tugas Akhir – KI091391 2724 Januari 2012
0
10
20
30
40
50
60
70
10 20 30 40
Ak
ura
si (
%)
Data training
mmc
1-nn
3-nn
5-nn
KesimpulanKesimpulanKesimpulanKesimpulan dandandandan SaranSaranSaranSaranKesimpulanKesimpulanKesimpulanKesimpulan dandandandan SaranSaranSaranSaran
Page 28
KESIMPULANKESIMPULAN
Implementasi algoritma MMC untuk klasifikasi pada dataset dari
http:\\flavia.sf.net, hasilnya mendekati hasil dari nearest neighbor, namun
tidak lebih baik. Hasil akurasi rata-rata dari MMC adalah 61,84%, sedangkan
untuk 1-NN, 2-NN, dan 3-NN berturut-turut 75,05%, 73,77%, dan 73,34%.
Implementasi algoritma MMC menghasilkan rata-rata yang terbaik untuk
penggunaan data training sebesar 40 dari masing masing
kelas, menghasilkan akurasi 65,14%.
Fitur DMF yang merupakan gabungan antara GF dan MF merupakan fitur
terbaik untuk diimplemetasikan dalam algoritma MMC, dibandingkan hanya
menggunakan fitur GF ataupun MF saja.
Tugas Akhir – KI091391 2924 Januari 2012
KESIMPULANSARAN
Fitur yang digunakan hanya berupa fitur bentuk daun, sehingga
untuk beberapa kelas yang memiliki bentuk hampir sama
banyak yang mengalami kesalahan dalam klasifikasi sehingga
hasil akurasinya rendah, misalnya untuk spesies phyllestachyshasil akurasinya rendah, misalnya untuk spesies phyllestachys
pubescens dan podocarpus macrophyllus. Implementasi
algoritma MMC Hypersphere untuk dataset citra daun dari
http://flavia.sf.net sebaiknya perlu ada penambahan
fitur, misalnya fitur warna atau fitur tekstur daun.
Tugas Akhir – KI091391 3024 Januari 2012