IJCCS, Vol.x, No.x, July xxxx, pp.

1~5
ISSN: 1978-1520  1

Pengenalan Spesies Bunga Menggunakan Global Fitur

Desktriptor

Farchan Hakim Raswa*1, Rochmad Gama2, Hanief Rifqi3

1,2,3
Departemen Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta
e-mail: *farchan.hakim.r@mail.ugm.ac.id, 2rochmad.gama.s@mail.ugm.ac.id,
3
hanief.rifqi@mail.ugm.ac.id

Abstrak
Tujuan dari paper ini adalah mengenali lima jenis spesies bunga berdasarkan
global fitur descriptor seperti tekstur, warna , dan bentuk menggunakan pengenalan
pola citra digital. Masalah dalam akurasi dan presisi melatarbelakangi tugas akhir ini
dibuat. Randomforest merupakan algortima yang disusun dari banyak pohon untuk
mengambil keputusan. Pada tugas akhir ini didapat hasil akurasi 88.11%^, presisi
88.64%, serta error 11.88%.

Kata kunci—

Abstract
The purpose of this paper is to recognize five types of flower species based on
global feature descriptor such as texture, color, and shape using digital image pattern
recognition. Problems in accuracy and precision behind this research are made.
Randomforest is an algortima that is composed of many trees to make decisions. In this
study obtained the accuracy of 88.11% , 88.64% precision, and error 11.88%.

Keywords—

Received June 1st,2012; Revised June 25th, 2012; Accepted July 10th, 2012
2  ISSN: 1978-1520

BAB I
PENDAHULUAN

Latar Belakang

Pengenalan pola (pattern recognition) dapat diartikan sebagai proses klasifikasi

dari objek atau pola menjadi beberapa kategori atau kelas. Dan bertujuan untuk
pengambilan keputusan (Theodoridis and Koutroumbas 2006, 1). Untuk mendapatkan
informasi dari gambar dibutuhkan pengenalan pola. Pola adalah entitas yang terdefinisi
dan dapat didefinisikan melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk
membedakan suatu pola dengan pola yang lain. Pengenalan pola bertujuan untuk
menentukan kelompok untuk kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola
tersebut. Dengan kata lain pengenalan pola membedakan objek dengan objek lain.

Pengenalan pola sendiri bertujuan menentukan kelompok atau kategori pola

berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola
membedakan suatu objek dengan objek yang lain.Pengenalan pola sendiri merupakan
cabang dari kecerdasan buatan (Artificial Inteligence).

Salaah satu bagian pengenalan pola adalah pengenalan tekstur, warna, dan bentuk
pada klasifikiasi bunga. Pengenalan jenis bunga adalah pengenalan pola yang
berdasarkan ciri tekstur, warna, dan bentuk bungan itu sendiri. Pada tugas akhir yang
berjudul Pengenalan Spesies Bunga Menggunakan Global Fitur Desktriptor, terdapat
lima bunga yang dikenali yaitu lotus, mawar, melati, matahari, dan tulip.

Rumusan Masalah

Adapun rumusan masalah berdasarkan latar belakang yang telah dijelaskan

adalah bagaimana membangun sebuah sistem yang dapat mengenalai bunga
menggunakan pengolahan citra digital.

IJCCS Vol. x, No. x, July 201x : first_page – end_page

IJCCS ISSN: 1978-1520  3

Tujuan Tugas akhir

Tujuan tugas akhir ini adalah membangun sebuah sistem menggunakan ekstraksi
ciri tesktur, warna, dan bentuk untuk mengenali pola bunga menggunakan algoritma
random forest.

Batasan Masalah

Agar pembahasan tugas akhir ini tidak menyimpang dari apa yang telah
dirumuskan, maka diperlukan batasan-batasan. Batasan-batasan dalam tugas akhir ini
adalah:
1. Data diambil dengan ruang warna RGB (Red, Green, Blue)
2. Menggunakan algoritma Randomforest.
3. Citra dibatasi dengan resolusi 320 x 320

BAB II
METODE TUGAS AKHIR

Pada bab ini dijelaskan tahapan tugas akhir yang dilakukan untuk dapat
mengenali pola lima bunga tulip, mawar, melati, matahari, dan lotus. Untuk dapat
mengenali pola bunga terbagi menjadi emapt tahap akuisisi data, ekstraksi ciri,
pembelajaran, dan pengujian. Berikut penjelasan setiap bagian:

1. Akuisisi data

Akuisisi citra adalah tahap awal untuk mendapatkan citra digital. Tujuan akuisisi
citra untuk menentukan data yang diperlukan dan memilih metode perekaman citra
digital. Tugas akhir ini mengambil dari dataset flower17. dataset flower17 merupakan
kumpulan citra-citra jenis bunga seperti pada gambar 1.

Title of manuscript is short and clear, implies research results (First Author)
4  ISSN: 1978-1520

Gambar 1. Kumpulan citra bunga pada flower17 datasets

citra bunga lotus, mawar, melati, matahari, dan tulih di kumpulkan pada sebuah
folder training. Dimana setiap folder nya terdiri dari 400 citra bunga setiap jenisnya.
Berikut adalah citra bunga lotus, mawar, melati, matahari, dan lotus pada gambar 2.

(a) (b) (c)

(d) (e)

Gambar 2. (a) bunga lotus, (b) bunga mawar, (c) bunga melati, (d) bunga
matahari, (e) bunga tulip

IJCCS Vol. x, No. x, July 201x : first_page – end_page

IJCCS ISSN: 1978-1520  5

Pada akuisisi citra ini, data citra di deklarasikan dengan ruang warna RGB (Red Green
Blue) dan size 320 x 320 piksel.

2. Ekstraksi Ciri

Ekstraksi ciri citra merupakan tahapan mengekstrak ciri atau informasi dari objek di
dalam citra yang ingin dikenali/dibedakan dengan objek lainnya. Pada tugas akhir ini
ciri yang di ekstrak berupa bentuk, warna, dan tekstur. Dimana hasil ekstraksi ini akan
mengisi 512 dimensi.

a. Ciri warna

Warna merupakan fitur penting pertama yang harus diperhatikan

Mengenal spesies bunga adalah "Warna". Salah satu yang paling bisa diandalkan
dan deskriptor fitur global sederhana adalah Color Histogram yang menghitung
frekuensi intensitas piksel yang terjadi di sebuah gambar Hal ini memungkinkan
deskriptor untuk mengetahui tentang distribusi setiap warna pada gambar.
Vektor fitur adalah diambil dengan menggabungkan hitungan untuk setiap
warna. Sebagai contoh, jika histogram 8-bins per channel diambil pertimbangan,
maka vektor fitur yang dihasilkan akan menjadi 8x8x8 = vektor 512-dfeature.
Selain itu, warnanya sederhana statistik saluran seperti mean dan standar deviasi
bisa Juga dihitung untuk mengetahui distribusi warna pada suatu gambar. Color
histogram dapat direpresentasikan pada gambar 3.

Gambar 3. Color histogram pada bunga mawar

Title of manuscript is short and clear, implies research results (First Author)
6  ISSN: 1978-1520

Gambar 3 menunjuakn persebaran warna dari bunga mawar, dimana nilai RED
pada citra tersebut memiliki tingkat kemunculan paling sering dibandingkan nilai BLUE
dan GREEN.

b. Ciri tekstur

Karakteristik warna dari gambar saja tidak cukup untuk Mengukur bunga
karena dalam lingkungan multi-spesies, dua atau lebih banyak spesies bisa
memiliki warna yang sama. Sebagai contoh, Bunga matahari dan Daffodil akan
memiliki kandungan warna yang serupa.
Fitur penting lainnya untuk dipertimbangkan Mengenal spesies bunga
adalah "tekstur" atau konsistensi pola dan warna dalam sebuah gambar. Tekstur
Haralick, yang menggunakan konsep Gray Level Co-occurrence Matrix
(GLCM) ini Biasa digunakan sebagai deskriptor tekstur. Haralick dkk. [11]
dijelaskan tentang ke 14 fitur statistik yang bisa jadi dihitung untuk mengukur
gambar berdasarkan tekstur. Itu vektor fitur yang dihasilkan akan menjadi vektor
fitur 13-d yang mengabaikan dimensi ke 14 karena waktu komputasi yang tinggi
kebutuhan. Contoh tekstur dapat direpresentasikan pada gambar 4.

Gambar 4. Tekstur bunga matahari

IJCCS Vol. x, No. x, July 201x : first_page – end_page

IJCCS ISSN: 1978-1520  7

c. Ciri bentuk

Ketika datang ke benda-benda alam seperti bunga, tanaman, pohon dll

fitur penting lainnya untuk mengukur seperti itu Benda dalam gambar adalah
"bentuk". Dalam visi komputer penelitian, momen Hu dan momen Zernike
adalah keduanya deskriptor bentuk global yang digunakan secara luas. Beberapa
momen bergantung pada ekspektasi statistik a variabel acak. Ada tujuh momen
seperti itu secara kolektif disebut momen Hu. Saat pertama adalah mean,
diikuti oleh varians, standar deviasi, condong, kurtosis dan parameter statistik
lainnya Tujuh saat ini adalah dikombinasikan untuk membentuk vektor fitur
berukuran 7-d. Saat Zernike didasarkan pada fungsi orthogonal dan itu
diperkenalkan oleh Teague sebagai deskriptor bentuk. Serupa Untuk momen Hu,
saat Zernike juga digunakan untuk mengukur bentuk objek pada gambar. bentuk
dapat direpresentasikan pada gambar 5.

Gambar 5. Bentuk bunga mawar

3. Fase pembelajaran

Untuk menganli polanya sendiir pada tugas akhir ini menggunakan algoritma
randomforest. Dimana Random forest (atau random forests) adalah sekumpulan
classifier yang terdiri dari banyak pohon keputusan dan melakukan klasifikasi
berdasarkan keluaran dari hasil klasifikasi setiap pohon keputusan anggota.

Title of manuscript is short and clear, implies research results (First Author)
8  ISSN: 1978-1520

Random Forest (RF) adalah klasifikasi yang terdiri dari beberapa pohon keputusan.
Setiap pohon keputusan dibangun dengan menggunakan vektor acak. Pendekatan umum
yang digunakan untuk menyisipkan vektor acak dalam pembentukan pohon adalah
memilih nilai F acak, seperti F atribut (fitur) masukan untuk dibagi pada setiap node di
pohon keputusan yang akan dibentuk. Dengan memilih nilai acak F maka seharusnya
tidak harus memeriksa semua atribut yang ada, hanya melihat F dipilih atribut.
Parameter yang digunakan untuk mengatur kekuatan RF dalam pemilihan nilai F dan
jumlah tree yang akan dibangun [6]. Jika nilai F terlalu kecil, maka pohon tersebut
memiliki kecenderungan untuk memiliki korelasi yang sangat kecil, dan itu berlaku
sama untuk sebaliknya. Oleh karena itu, nilai F dapat ditentukan dengan rumus:

…………………………..(1)

Dari rumus tersebut di mana M adalah jumlah total fitur. Selain pemilihan
atribut, juga dilakukan secara acak ketika memilih set pelatihan. Bootstrap aggregating
adalah teknik yang dapat digunakan untuk membentuk sampel bootstrap. Setiap pohon
keputusan dibangun dengan menggunakan sampel bootstrap dari data dan kandidat
atribut untuk dibagi di setiap node yang berasal dari himpunan atribut acak dari hasil
data yang dipilih dan disimpan. Berikut adalah Tahapan algoritma RF:
1. Pilih nilai n yang menunjukkan jumlah pohon
2. Menghasilkan sampel n bootstrap dengan teknik training set.
3. Pada setiap node pada tree, pilih nilai F yang diperoleh dari persamaan (1).
4. Ambil set sebanyak atribut F yang akan menjadi kandidat atribut untuk
membelah setiap node. Atribut yang menjadi simpul berikutnya ditentukan
berdasarkan kriteria tertentu (berdasarkan algoritma pohon keputusan yang
dipilih). Selama proses pembentukan pohon, nilai F adalah konstan.
5. RF terus terbentuk tanpa pemangkasan apapun. Hal ini ditunjukkan untuk
menghilangkan bias dalam persentase hasil prediksi.
6. Hasil prediksi yang diperoleh dari model (frekuensi yang paling sering
muncul) dari masing-masing pohon keputusan di RF.

IJCCS Vol. x, No. x, July 201x : first_page – end_page

IJCCS ISSN: 1978-1520  9

Pada tugas akhir ini, nilai n_estimator atau jumlah pohon yang digunakan adalah
10. Hal tersebut dikarenakan nilai 10 sudah bisa merepresentasikan keputusan secara
baik dengan tidak mengganggu waktu komputasi.

BAB III
HASIL DAN PEMBAHASAN

Pengujian dilakukan pada komputer dengan processor i3 dan ram 2 giga. Pada
proeses pengujian ini terdiri dari dua tahap, yaitu fase pembelajaran dan fase pengujiam.
Hasil pengujian direpresentasikan menggunakan confusion matrik seperti pada gambar
6.

Gambar 6. Confusion matrix

Gambar 6 mrepresentasikan jumlah nilai benar pada fase pengujian ini ditujukan
pada garis diagonal matrix. Dimana bunga lotus diprediksi benar sebanyak 89 bunga
dan 18 bunga terdeteksi salah. Bunga mawar diprediksi benar sebanyak 78 bunga dan 9
bunga dideteksi salah. Bunga melati dideteksi benar sebanyak 102 bunga dan 5 bunga
terdeteksi salah. Bunga matahari dideteksi benar sebanyak 102 dan 5 bunga terdeteksi
salah. Bunga tulip terdeteksi benar sebanyak 91 bunga dan 26 bunga terdeteksi salah.

Title of manuscript is short and clear, implies research results (First Author)
10  ISSN: 1978-1520

Dari pengujian pula didapat nilai akurasi sebesar 88.11%, nilai presisi sebesar
88.76%, serta nilai error sebesar 11.89%.

BAB IV
KESIMPULAN

Adapun kesimpulan yang didapati pada tugas akhir ini adalah:

1. Fitur warna, bentuk, dan tekstur dapat mencakup informasi maksimum pada
citra bunga lotus, mawar, melati, matahari, dan tulip pada dataset flower17.
2. Algoritma Randomforest dapat merepresentasikan pembelajaran dengan
akurasi mencapai 88.11%, akurasi 88.76%, dan error 11.89%.

DAFTAR PUSTAKA

[1] I. Gogul and V. S. Kumar, "Flower species recognition system using

convolution neural networks and transfer learning," 2017 Fourth International
Conference on Signal Processing, Communication and Networking (ICSCN),
Chennai, 2017, pp. 1-6.
[2] Gogul and V. S. Kumar, “Flower Species Recognition using Global Feature
Descriptors”. https://gogul09.github.io/software/flower-recognition.

IJCCS Vol. x, No. x, July 201x : first_page – end_page