APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT

MENGGUNAKAN LOCAL BINARY PATTERN

DENGAN KLASIFIKASI PROBABILISTIC
NEURAL NETWORK
Pauzi Ibrahim Nainggolan1, Yeni Herdiyeni2
1

Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA,

Institut Pertanian Bogor, Ibrahim.pauzi@gmail.com
2
Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA,
Institut Pertanian Bogor, yeni.herdiyeni@ipb.ac.id

INTISARI
PAUZI IBRAHIM NAINGGOLAN. Aplikasi Mobile untuk Identifikasi Tumbuhan Obat
menggunakan Local Binary Patterns dengan Klasifikasi Probabilistic Neural Network di
bombing oleh YENI HERDIYENI.
Penelitian ini mengusulkan aplikasi mobile untuk identifikasi tumbuhan obat. Local Binary
Pattern (LBP) digunakan untuk mengekstraksi fitur-fitur dari gambar and Probabilistic Neural
Network (PNN) digunkan untuk klasifikasi tumbuhan obat pada perangkat mobile.LBPriu2
P,R
adalah descriptor yang digunakan pada penelitian ini, descriptor ini menggunakan rotation
invariant dan uniform patterns untuk memperoleh fitur tekstur pada gambar. Tujuan dari
rencana penelitian ini adalah mengimplementasikan teknik identifikasi tumbuhan obat pada
aplikasi mobile yang berbasis sistem operasi Android. Data yang digunakan adalah foto
tumbuhan obat dari Kebun Raya Bogor-Indonesia yang terdiri atas 15 spesies dengan 10 variasi
gambar untuk setiap spesies. Penelitian menghasilkan akurasi dari identifikasi adalah 31.11%
dan membutuhkan waktu rata-rata 50.02 detik. Hasil penelitian ini menunjukkan bahwa data
yang digunakan masih sedikit, untuk itu penelitian ini membutuhkan data yang lebih banyak
dan pengkajian lebih lanjut untuk meningkatkan akurasi. Aplikasi yang baru pada perangkat
mobile ini berguna untuk masyarakat dan peneliti dalam mengidentifikasi tumbuhan obat.
Kata Kunci: Android, LBP, Tumbuhan Obat, Aplikasi Mobile, PNN.

ABSTRACT
PAUZI IBRAHIM NAINGGOLAN. Mobile Application for Medicinal Plants Identification using
Local Binary Patterns Descriptor and Probabilistic Neural Network Method. Supervised by
YENI HERDIYENI.
This research proposed a new mobile application for medicinal plants identification. Local
Binary Pattern (LBP) is used to extract image features and Probabilistic Neural Network (PNN)
is used to classify medicinal plants on mobile phone. LBPriu2
P,R was used as LBP descriptor in this
research, which using rotation invariant and uniform patterns of image texture. The aim of this
research was to implement this application in open source Android 2.3 (Gingerbread) operating
system. Datas is we used medicinal leaf image from Botanical Garden, Bogor Indonesia at
consist of 15 species with 10 variation for each species. The experimental showed that the
accuracy of identification is 31.11% and computation time is 50.02 seconds. The experimental
result show that we use small dataset, so this research need to be explore further to improve the
accuracy. This new mobile application is usefull to help user for plant identification.
Keywords: Android, LBP, medicinal plant, mobile application, PNN.

PENDAHULUAN
Indonesia merupakan Negara yang kaya akan keanekaragaman spesies tumbuhan
obat, Indonesia memiliki lebih dari 38 000 spesies tumbuhan obat (Bappenas 2003).
Potensi pemanfaatan tumbuhan obat sangat besar apabila dapat dilakukan langsung oleh

masyarakat luas, namun untuk dapat mengenali manfaat dari setiap tumbuhan obat itu
sendiri bagi masyarakat luas sulit dilakukan. Beberapa masyarakat melakukannya
dengan membandingkan gambar daun yang akan diidentifikasi dengan gambar daun
yang terdapat pada buku atau melakukannya di laboratorium secara manual oleh ahli di
bidang taxonomy tumbuhan obat. Hal tersebut membutuhkan waktu dan biaya yang
banyak.
Penelitian mengenai pengenalan tumbuhan obat sudah dilakukan dengan komputasi
berbasiskan gambar. Pengenalan tumbuhan obat dengan mengekstrasksi ciri daun yang
telah dilakukan masih di lingkungan komputer desktop. Dengan berkembangnya
teknologi mobile, akan lebih bermanfaat jika aplikasi dibangun pada perangkat mobile,
karena dapat dibawa kemana saja.
Penelitian ini mengembangkan sebuah perangkat lunak yang dapat mengidentifikasi
tumbuhan obat pada handset yang berbasiskan sistem operasi Android. Sesuai dengan
penelitian Speckmann (2008), untuk saat ini platform yang paling baik digunakan dalam
pengembangan aplikasi pada handset adalah sistem operasi Android. Diharapkan
aplikasi ini dapat memberikan informasi yang relevan kepada masyarakat untuk
identifikasi tumbuhan obat.
Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi
tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android. Teknik
identifikasi yang digunakan adalah Local Binary Pattern (LBP) dengan klasifikasi
Probabilistic Neural Network (PNN).
Ruang lingkup penelitian ini adalah:
1 Data diperoleh dari hasil pengambilan citra 15 jenis tumbuhan obat menggunakan
kamera pada perangkat mobile yang berasal dari kebun Raya Bogor.
2 Penelitian ini menggunakan Operator LBP dengan descriptor LBPriu2
24,3 .
3

Aplikasi yang dibangun pada perangkat mobile dengan sistem operasi Android 2.2
(Froyo).

TINJAUAN PUSTAKA
Tumbuhan Obat
Indonesia merupakan negara yang kaya akan tumbuhan tropis. Jumlah tumbuhan
tropis di Indonesia sekita 38 000 spesies (Damayanti 2008). Diantara 38 000 spesies

tersebut, sampai dengan 2001 data spesies tumbuhan obat yang dapat diidentifikasi
hanya 2 039 spesies (Zuhud 2009). Damayanti et al. (2011) mengemukakan tantangan
dalam identifikasi tumbuhan obat adalah:
1 Mendorong generasi muda untuk menjadi ahli taksonomi.
2 Mendorong generasi muda untuk melanjutkan warisan dari nenek moyang dalam
pengenalan dan identifikasi spesies tumbuhan obat-obatan.
3 Mengembangkan lembaga yang lebih berwenang untuk identifikasi specimen.
4 Mengembangkan teknologi yang mengurangi masalah dalam identifikasi.
5 Mengembangkan jaringan dengan para stakeholder dalam bidang teknologi.
Local Binary Patterns
Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur
pada mode warna grayscale. LBP pertama sekali diperkenalkan oleh Timo Ojala. LBP
digunakan untuk mencari pola pada citra (texture in local neighborhood) (Menp
2003).
LBP adalah sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular
neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar
1. Notasi gi merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel
(piksel ketetanggaan dan piksel pusat gc ) digunakan sebagai nilai ambang batas
(threshold) untuk memotong setiap nilai piksel ketetanggaan untuk mendapatkan kode
binernya.

Gambar 1 Circular neighborhood delapan sampling points.

Untuk mendapatkan nilai LBP, kode-kode biner yang telah didapatkan, dikalikan
dengan pembobotan binernya. Gambar 2 menunjukkan operasi dasar LBP. Pola-pola
biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan
sebagainya.

Gambar 2 Contoh perhitungan nilai LBP.

Formulasi LBP dapat dituliskan sebagai berikut:
LBP P,R (xc ,yc )=

P-1
p=0

s(gp -gc )2 [1]

dimana :
s x =

1 x0
0 x<0

dimana :
xc dan yc adalah koordinat pusat piksel ketetanggaan,
p adalah circular sampling points,
P adalah banyaknya sampling points,
gp adalah nilai keabuan dari ,
gc adalah nilai piksel pusat, dan
adalah sign (kode biner).
Nilai-nilai LBP selanjutnya direpresentasikan melalui histogram. Histogram
menunjukkan frekuensi kejadian berbagai nilai LBP. Setelah mendapatkan nilai LBP
pada setiap neighborhood (blok

i,j ), untuk ukuran citra NxM, tekstur citra

direpresentasikan dengan membentuk histogram:

H k =

N
i=1

M
j=1 f

dengan f x,y =

LBPP,R i,j ,k , k 0,K [2]

1, x=y
0, selainnya

dan K merupakan nilai LBP terbesar.

Perhitungan nilai LBP seperti pada Gambar 3 ditentukan oleh radius (R) dari jumlah
sampling points (P), sehingga Local Binary Patterns dinotasikan sebagai LBP(P,R) .
Semakin besar nilai P akan meningkatkan informasi tekstur yang didapat. Urutan

pengodean LBP yang bersifat tetap menyebabkan ada sejumlah 2+P jumlah pola LBP.
Gambar 3 memperlihatkan contoh operator LBP dengan beberapa nilai P dan R.

Gambar 3 Operator LBP.

Rotation Invariant Uniform Patterns (LBPriu2

)
P,R
Penggabungan antara uniform patterns dan rotation invariant dilambangkan LBPriu2
P,R .
Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling
points P dan radius R. LBPriu2
P,R merupakan ukuran ketidaksensitifan (invariant) terhadap
perubahan grayscale. LBPriu2
P,R merupakan ukuran yang digunakan untuk pola spasial.
Jumlah pola yang dihasilkan uniform patterns adalah P P-1 +2 bins. Ketika uniform
patterns dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang
dihasilkan menjadi P+1 bins. Rotation invariant uniform patterns diformulasikan
sebagai berikut:
LBPriu2
P,R =

P-1
p=0 s

gp -gc , if U LBPP,R 2
P + 1 , & selainnya

[3]

Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit
satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P,
riu2
banyaknya sampling points sama dengan delapan, nilai P,R
adalah nol sampai

dengan P. Jika bukan uniform patterns, nilai bin terakhir ditambahkan satu, yaitu bin
ke-P+1 yang merupakan single bin non uniform patterns (Menp 2003).
Probabilistic Neural Network (PNN)
PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema
probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht
pada tahun 1990. 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).

Gambar 4 Struktur PNN.

Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek
yang terdiri atas nilai ciri yang akan diklasifikasikan pada kelas. Struktur PNN
ditunjukkan pada Gambar 4. Proses-proses yang terjadi setelah lapisan masukan ialah:
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 vektor masukan yang
akan diklasifiksikan dengan vektor bobot xij , yaitu Zi =x . xij , Zi kemudian dibagi
dengan bias tertentu dan selanjutnya dimasukkan ke dalam fungsi radial basis,
2

yaitu radbas n = exp (-n) . Dengan demikian, persamaan yang digunakan pada
lapisan pola ialah.
T

f x =exp -

(x-xij ) (x-xij )
22

. [4]

2 Lapisan penjumlahan (summation layer)

Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada.
Persamaan yang digunakan pada lapisan ini adalah:
p x =

1
k

(2)2 k t

t
i=1

(x-x ) (x-x )
exp(- ij 2 ij )
2

.. [5]

3 Lapisan keluaran (output layer)

Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai
pY x paling besar dibandingkan kelas lainnya.

METODE PENELITIAN
Penelitian ini dilakukan dengan model client server menggunakan dua perangkat
yaitu handset pada front-end dan server sebagai back-end seperti terlihat pada Gambar
5.

Gambar 5 Model client server.

Setiap perangkat memiliki alur proses yang terkait dengan perangkat lainnya.
Perangkat pada server mengekstrak data citra latih untuk mendapatkan model
klasifikasi. Model klasifikasi ini didistribusikan ke perangkat handset untuk digunakan
pada proses klasifikasi.
Pada handset sendiri proses tidak berbeda jauh dengan proses pada server. Aplikasi
pada sisi client dapat mengekstraksi dan mengklasifikasikan citra masukan. Namun,
handset tidak menghasilkan model klasifikasi, hanya menggunakan model klasifikasi
yang telah dihasilkan oleh server seperti terlihat pada Gambar 6.

Gambar 6 Metode penelitian.

Ekstraksi Fitur Tekstur Tumbuhan Obat

Proses ekstraksi fitur pada penelitian ini menggunakan descriptor LBPriu2
P,R . Proses
awal ekstraksi citra ialah mengubah citra RGB menjadi citra grayscale seperti terlihat
pada Gambar 7. Proses ini dilakukan pada server dan client. Penentuan objek daun pada
citra grayscale pada client menggunakan deteksi tepi canny.

Gambar 7 Perubahan mode warna citra.

Pengolahan selanjutnya membagi citra ke dalam beberapa blok (local region) sesuai
dengan descriptor dan operator circular neighborhood (sampling points dan radius)
yang digunakan. Penelitian ini menggunakan descriptor dan operator LBPriu2
24,3 dengan
kuantisasi sudut 15 derajat.
Penentuan ukuran blok dan kuantisasi sudut yang digunakan untuk satu local region
menggunakan formula berikut:
blok= radius 2 +1 .... [6]
kuantisasi sudut=

2
P

.... [7]

Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 8.

Gambar 8 Ilustrasi pembagian ukuran blok.

Ekstraksi tekstur dilakukan pada setiap blok. Setiap blok overlapping dengan blok
berikutnya dengan jarak satu piksel. Masing-masing blok diekstraksi menggunakan
Local Binary Pattern descriptor, yaitu: LBPriu2
P,R .
Ekstraksi tekstur dengan LBPriu2
P,R
Ekstraksi tekstur menggunakan LBPriu2
P,R descriptor mengolah setiap blok (local
region) pada suatu citra menggunakan persamaan (3). Hasil dari pengolahan setiap blok
menghasilkan pola LBP. Kemudian pola LBP setiap blok diidentifikasi masuk ke dalam
uniform patterns atau nonuniform patterns. Jika termasuk uniform patterns, dihitung

banyaknya bit satu yang ada pada pola tersebut yang akan menentukan letak bin
uniform patterns tersebut berada.

Gambar 9 Pembentukan histogram.

Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang

merupakan frekuensi nilai LBPriu2
P,R seluruh blok pada suatu citra. Ilustrasi pembentukan
histogram ditunjukkan pada Gambar 9. Histogram LBPriu2
P,R descriptor memiliki P + 2
bin dengan P merupakan banyaknya sampling points yang digunakan. Bin pertama
sampai dengan P+1 merupakan bin uniform patterns, sedangkan bin terakhir (P+2)
merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan
LBPriu2
P,R diolah menggunakan operator (24,3).
Identifikasi Citra dengan Probabilistic Neural Network (PNN)
Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram. Tahapan
selanjutnya ialah menglasifikasikan vektor-vektor histogram tersebut dengan PNN.
Klasifikasi dilakukan dengan membagi data latih dan data uji. Data yang digunakan
pada data citra daun tumbuhan obat sebanyak 10 citra dari setiap kelas dengan
pembagian 7 citra data latih dan 3 citra data uji.
Data citra latih digunakan pada server untuk mendapatkan model klasifikasi. Model
klasifikasi tersebut lalu didistribusikan ke client. Pada sisi client model klasifikasi
tersebut digunakan sebagai lapisan pola untuk identifikasi kelas keputusan dari citra query.

Evaluasi
Evaluasi data yang dilakukuan oleh aplikasi menggunakan 2 parameter, yaitu dengan
penilaian tingat keberhasilan klasifikasi terhadap citra kueri dan waktu proses pada
client. Evaluasi dari kinerja model klasifikasi didasarkan pada banyaknya data uji yang
diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung
menggunakan akurasi yang didefinisikan sebagai berikut:
akurasi=

banyaknya prediksi yang benar

total banyaknya prediksi

100%

.... [8]

Evaluasi waktu proses dari aplikasi didasarkan pada waktu ekstraksi dan waktu proses
klasifikasi. Evaluasi waktu proses identifikasi dimaksudkan untuk kelayakan dari
aplikasi yang berjalan pada perangkat mobile.

10

Perangkat Keras dan perangkat Lunak

Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel (R) Core
(TM) i5 CPU M 460 @2.53GHz (4CPus)~2.5GHz, memori DDR RAM 4 GB, dan
harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows 7
Home, Eclipse IDE for Java Developers Version: Helios Service Release 2 dan Android
Development Toolkit Version: 16.0.1.v201112150204-238534.

HASIL DAN PEMBAHASAN

Pengembangan Aplikasi Mobile
Pengembangan aplikasi pada penelitian ini menggunakan bahasa pemograman Java
dengan library OpenCV 2.1 pada perangkat mobile dengan sistem operasi Android.
Aplikasi yang dibangun diberi nama MedLeaf yang memiliki fasilitas untuk dapat
mengidentifikasi citra query dari pengguna.
Citra query dapat diambil langsung menggunakan kamera atau gallery bergantung
kebutuhan pengguna. Citra query yang akan diidentifikasi sebelum diekstraksi
dilakukan praproses. Citra hasil praproses diekstraksi dengan LBPriu2
24,3 . Proses ekstraksi
citra menghasilkan vector histogram. Nilai vector histogram tersebut menjadi lapisan
masukan pada klasifikasi dengan PNN. Lapisan pola yang digunakan pada klasifikasi
PNN digunakan dari hasil training pada server. Antarmuka aplikasi yang telah
dibangun dapat dilihat pada Gambar 10.

Gambar 10 Antarmuka aplikasi untuk identifikasi.

Hasil klasifikasi dengan PNN ialah lima besar kelas citra yang mempunya jarak
terdekat dengan citra query. Lima citra terdekat tersebut ditampilkan pada aplikasi
berdasarkan peringkat kedekatan. Citra hasil identifikasi juga menampilkan informasi
umum dari tumbuhan tersebut. Aplikasi yang dikembangkan juga memiliki fasilitas
untuk upload citra yang diakuisisi oleh pengguna. Fasilitas ini dimaksudkan untuk
memperkaya koleksi citra pada server.

11

Hasil Praproses
Sebelum mengekstrak ciri tekstur pada citra, dilakukan tahap praproses. Pada awal
tahapan praproses, dilakukan perubahan mode warna citra menjadi grayscale.
Selanjutnya, perbaikan citra dilakukan dengan mengubah ukuran citra.

Gambar 11 Praproses

Tahapan praproses pada server dilakukan secara manual, sedangkan pada aplikasi
mobile dilakukan secara otomatis dengan penskalaan dan pemotongan citra. Penentuan
objek daun pada citra dengan merubah mode grayscale ke mode binary dengan deteksi
tepi canny. Citra hasil proses dengan canny diterapkan fungsi findContour yang terdapat
pada library OpenCV. Nilai-nilai pixel hasil fungsi findContour terluar menjadi batas
nilai pixel objek daun, selainnya nilai dibuang atau diputihkan dengan merubah nilai
pixel tersebut menjadi 255. Tahap praproses pada aplikasi mobile dilakukan tanpa
menghilangkan informasi tekstur dari citra tersebut.
Contoh dengan citra hasil akuisisi menggunakan kamera 8 megapixel menghasilkan
citra dengan ukuran 3268x1952. Digunakan teknik penskalaan dan pemotongan citra
untuk mendapatkan ukuran 270x240 piksel sesuai dengan data latih seperti terlihat pada
Gambar 11. Tahapan praproses ini bertujuan untuk mengurangi waktu pemrosesan
data (computation time) dan penentuan objek tekstur yang akan dievaluasi.
Evaluasi Hasil Identifikasi Citra dengan LBPriu2
P,R Mobile
Hasil identifikasi setiap kelas tumbuhan obat pada aplikasi mobile menggunakan
nilai sampling point dan radius yang sama dengan server yaitu dengan P = 24 dan R =
3. Nilai evaluasi akurasi hasil identifikasi pada aplikasi mobile disajikan pada Tabel 1
dalam satuan persen.
Tabel 1 Hasil identifikasi pada aplikasi mobile
Nama Tumbuhan
Akar Kuning
Alamanda

Akurasi
33.33%
66.67%

12

Dandang Gendis
Daruju
Ekor Kucing
Handeuleum
Iler
Jambu Biji
Jarak Pagar
Kumis kucing
Pecah Batu
Puring
Sambang Darah
Seuseureuhan
Sosor Bebek
Total Rata-rata

0.00%
0.00%
66.67%
0.00%
66.67%
33.33%
0.00%
33.33%
0.00%
66.67%
33.33%
33.33%
33.33%
31.11%

Hasil akurasi dari 15 kelas citra yang diuji pada aplikasi mobile menghasilkan nilai
rata-rata akurasi 31.11%. Perbedaan dengan hasil identifikasi pada server dipengaruhi
oleh beberapa faktor yaitu: jumlah data tumbuhan, jumlah jenis tumbuhan dan tahapan
praproses yang berbeda antara server dan aplikasi mobile. Pada penelitian ini,
digunakan 10 data citra daun untuk setiap kelas tumbuhan obat. Data citra daun dibagi
70% untuk data citra latih dan 30% untuk data citra uji.
Akurasi dari setiap citra yang diambil menggunakan perangkat mobile memiliki
property intensitas cahaya, sudut pengambilan gambar, dan jarak kamera dengan objek
gambar yang beragam seperti yang ditunjukkan pada gambar 12. Pemanfaatan flash
light pada perangkat mobile yang menyediakan fasilitas tersebut, dapat menstabilkan
intensitas cahaya, mengurangi area gelap dan memberikan kontras dari tekstur setiap
objek. Jarak dan sudut pengambilan gambar yang bagus dapat memberikan informasi
tekstur objek dengan lebih rinci dan detail. Pengambilan gambar juga tidak harus
seluruh area daun, karna aplikasi ini fokus pada tekstur daun.

Gambar 12 Teknik akuisisi yang berpengaruh dalam identifikasi tumbuhan obat.

Evaluasi Waktu Proses Identifikasi Citra dengan LBPriu2

P,R Mobile
Data citra daun tumbuhan obat yang diakuisisi langsung menggunakan perangkat
mobile lalu diekstraksi dengan LBPriu2
24,3 dan klasifikasi dengan PNN mempunyai waktu

13

proses yang cukup layak dengan rata-rata 50.02 detik. Selengkapnya rata-rata waktu
komputasi yang diperlukan untuk setiap kelasnya ada pada Tabel 2.
Tabel 2 Waktu komputasi pada perangkat mobile dengan LBPriu2
24,3
Nama Tumbuhan
Akar Kuning
Alamanda
Dandang Gendis
Daruju
Ekor Kucing
Handeuleum
Iler
Jambu Biji
Jarak Pagar
Kumis kucing
Pecah Batu
Puring
Sambang Darah
Seuseureuhan
Sosor Bebek
Total Rata-rata

Waktu Proses(detik)
49.14
50.62
49.92
50.28
49.71
48.09
51.24
49.37
49.35
49.33
51.95
49.23
50.77
49.29
51.96
50.02

Waktu proses dari setiap data daun merupakan rata-rata dari tiga sample citra. Waktu
proses yang cukup lama ini dipengaruhi oleh nilai sampling point dan radius yang
cukup besar. Tahapan praproses pada aplikasi ini membantu dalam mengurangi waktu
proses ekstraksinya. Besaran dari model klasifikasi juga ikut mempengaruhi waktu
proses identifikasi, namu pengaruhnya tidak sebesar nilai sampling point dan radius.

KESIMPULAN DAN SARAN

Kesimpulan
Pengembangan aplikasi untuk identifikasi tumbuhan obat menggunakan LBP dengan
klasifikasi PNN pada perangkat mobile yang berbasiskan sistem operasi Android
berhasil dilakukan. LBP yang digunakan adalah LBPriu2
P,R dengan nilai sampling point
dan radius 24,3.
Ekstraki dengan LBPriu2
24,3 dan klasifikasi dengan PNN menghasilkan nilai akurasi
yang sama yaitu 31.11%. Masing-masing teknik ekstraksi memiliki waktu proses yang
berbeda pada perangkat mobile untuk LBPriu2
24,3 menghasilkan waktu rata-rata 50.02
detik.

14

Saran
Penelitian ini menggunakan data citra yang relatif sedikit jumlahnya, sehingga untuk
penelitian selanjutnya diharapkan memiliki data citra yang lebih banyak jumlah setiap
kelas dan jumlah kelasnya. Penggunaan look-up table untuk mempercepat waktu
komputasi pada mobile. Mengembangkan sistem segmentasi dalam penentuan objek
untuk meningkatkan akurasi.

UCAPAN TERIMA KASIH

Alhamdulillahi Rabbil alamin, segala puji dan syukur penulis panjatkan kepada
Allah Subhanallah Wataala atas limpahan rahmat dan hidayah-Nya, sehingga penulis
dapat menyelesaikan penelitian yang berjudul Aplikasi Mobile Untuk Identifikasi
Tumbuhan Obat Menggunakan Local Binary Pattern dengan Klasifikasi Probabilistic
Neural Network dengan lancar dan baik. Penelitian ini dilaksanakan mulai Februari
2012 sampai dengan Juli 2012, bertempat di Departemen Ilmu Komputer.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Ayah Dr. H. Hamonangan Nainggolan M.Sc, Ibu Jusridawati Situmeang, dan kakakadik tercinta, Yasser Hudan Nainggolan SE AK, Sarah Mahdia SSi, Aisyah Hudaya,
dan Maulana Assalam Nainggolan yang tidak henti-hentinya memberikan doa, kasih
sayang, dan dukungan kepada penulis.
2. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah
memberikan arahan dan bimbingan dengan sabar kepada penulis dalam
menyelesaikan skripsi ini.
3. Bapak Musthofa, S.Komp, M.Sc dan Ibu

Karlina Khiyarin Nisa S.Kom, M.T.

selaku dosen penguji atas kemudahan dan ilmu yang telah diberikan kepada penulis.
4. Teman-teman satu bimbingan Canggih Trisyanto, Mayanda Mega, Ni Kadek, Oki
Maulana, Desta Sandya , Ryanti Octaviani, Siska Susanti, dan Tomy Kurniawan atas
saran, masukan dan nasihat yang diberikan kepada penulis.
5. Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala
kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.
6. Teman-teman kosan White House Arif Hadiwibowo, Ari AlKautsar, Desta, Rahmat
Setyawan, Jefri, dan Zulhan Arief S.Si M.si.
7. Saudara-saudara yang telah berkontribusi dalam skripsi ini Ari Wibowo Astono,
Budi Hartono Siregar ST, dan Arief Seno Prabowo SE.

15

DAFTAR PUSTAKA
Speckmann B. 2008. The Android mobile platform [skripsi]. Michigan: Department of
Computer Science, Eastern Michigan University.
Damayanti, EK. 2008. Legality of national parks and involvement of local people: case
studies in Java, Indonesia and Kerala, India[Dissertation]. Tsukuba: Doctoral
Program, University of Tsukuba.
Zuhud, EAM. 2009. Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan Obat
dalam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia 6(6):227-232
Damayanti EK, Hikmat A, Zuhud EAM. 2011. Indonesian tropical medicinal plants
diversity: problems and challenges in identification. Di dalam: International
Workshop Linking Biodiversity and Computer Vision Technology to Enhance
Sustainable Utilization of Indonesian Tropical Medicinal Plants". Prosiding
Pertemuan Ilmiah Tahunan; Bogor, 11 Aug 2011. Bogor: Department of Forest
Resources Conservation and Ecotourism. Faculty of Forestry. Bogor Agricultural
University. hlm 1
Menp T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu
University Press.
Wu SG, et al. 2007. A leaf recognition algorithm for plant using probabilistic neural
network. Di dalam: IEEE 7th International Symposium on Signal Processing and
Information Technology. Prosiding Pertemuan Ilmiah Tahunan; Cairo, 1 Nov 2007.
Cairo: IEEE. hlm 3