PENGENALAN POLA
IDENTIFIKASI DAUN BERDASARKAN CIRI BENTUK
Oleh :
PALANGKA RAYA
2019
KATA PENGANTAR
Puja dan puji syukur saya panjatkan kepada Tuhan yang Maha Esa atas segala
karunia nikmat serta hidayahnya sehingga kami dapat menyusun laporan yang
berjudul ‘Identifikasi Daun Berdasarkan Ciri Bentuk’ dengan lancar.
Selesainya penyusunan laporan ini tidak lepas dari bantuan, support, arahan
dan bimbingan banyak pihak.
Akhir kata, semoga Laporan ini dapat diterima sebagai sarana informasi dan
pembelajaran kepada masyarakat umum.
Penyusun
i
DAFTAR ISI
ii
DAFTAR GAMBAR
iii
BAB I
PENDAHULUAN
Daun juga bisa bermodifikasi menjadi duri (misalnya pada kaktus) dan
berakibat daun kehilangan fungsinya sebagai organ fotosintetik. Daun
tumbuhan sukulen atau xerofit juga dapat mengalami peralihan fungsi
menjadi organ penyimpan air.
1
Warna hijau pada daun berasal dari kandungan klorofil pada daun.
Klorofil adalah senyawa pigmen yang berperan dalam menyeleksi panjang
gelombang cahaya yang energinya diambil dalam fotosintesis. Sebenarnya
daun juga memiliki pigmen lain, misalnya karoten (berwarna jingga), xantofil
(berwarna kuning), dan antosianin (berwarna merah, biru, atau ungu,
tergantung derajat keasaman). Daun tua kehilangan klorofil sehingga
warnanya berubah menjadi kuning atau merah (dapat dilihat dengan jelas
pada daun yang gugur).
1. Tujuan
Penelitian ini bertujuan untuk mengenalkan proses pengenalan
daun berdasarkan ciri bentuk.
2. Manfaat
Untuk mengetahui jenis daun berdasarkan ciri bentuknya.
2
BAB II
LANDASAN TEORI
1. Akusisi citra
Akuisisi citra adalah tahap awal untuk mendapatkan citra digital.
Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan
memilih metode perekaman citra digital. Pencitraan adalah kegiatan
transformasi dari citra tampak(foto, gambar, lukisan,
patung,pemandangan dan lain-lain) menjadi citra digital. Beberapa alat
yang dapat digunakan untuk pencitraan adalah :
a) Vidoe kamera
b) Camera digital
d) Scanner
3
e) Photo sinar-X / infra merah
b) Menghilangkan noise
c) Perbaikan citra
d) Transformasi
3. Segmentasi citra
4
pada window filter. Tahap yang terakhir pada proses segmentasi yaitu
deteksi tepian. Pendekatan algoritma Canny dilakukan berdasarkan
konvolusi fungsi citra dengan operator Gaussian dan turunan-
turunannya. Pendeteksi tepi ini dirancang untuk merepresentasikan
sebuah tepian yang ideal, dengan ketebalan yang diinginkan. Secara
umum, proses segmentasi sangat penting dan secara langsung akan
menentukan keakurasian sistem dalam proses identifikasi iris mata.
5
2.3 Algoritma K-Nearest Neighbor
Algoritma K-Nearest Neighbor (K-NN) adalah sebuah metode
klasifikasi terhadap sekumpulan data berdasarkan pembelajaran data yang
sudah terklasifikasikan sebelumya. Termasuk dalam supervised learning,
dimana hasil query instance yang baru diklasifikasikan berdasarkan
mayoritas kedekatan jarak dari kategori yang ada dalam K-NN.
Nilai k yang terbaik untuk algoritme ini tergantung pada data; secara
umumnya, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi,
tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Nilai k
yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan
menggunakan cross-validation. Kasus khusus di mana klasifikasi
diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata
lain, k = 1) disebut algoritme nearest neighbor.
6
sebagian besar membahas bagaimana memilih dan memberi bobot terhadap
fitur, agar performa klasifikasi menjadi lebih baik.
Linear scan
Pohon kd
Pohon Balltree
Pohon metrik
Locally-sensitive hashing (LSH)
Algoritme k-NN ini memiliki konsistensi yang kuat. Ketika jumlah data
mendekati tak hingga, algoritme ini menjamin error rate yang tidak lebih dari
dua kali Bayes error rate (error rate minimum untuk distribusi data tertentu).
7
BAB III
DESAIN DAN ANALISA PERANCANGAN
3.1 Analisis
Analisis dilakukan terhadap data-data pendukung dan sistem yang
menentukan kebutuhan terhadap perangkat lunak yang digunakan.
1. Analisis Data
Analisa terhadap data dilakukan untuk mengetahui hasil ekstraksi
yang digunakan untuk ciri bentuk daun. Langkah awal dari data yang akan
diolah adalah mengupload daun pada sistem sebagai data input dan
segmentasi, dan hasil ekstraksi yang selanjutnya akan menjadi output yang
akan dimasukkan ke database untuk hasil klasifikasi daun berdasarkan ciri
bentuk. Proses enchant terhadap nilai input, yang akan diperoleh nilai
segmentasi. Hasil ekstraksi akan ditunjukkan berupa nilai.
Proses klasifikasi akan dilakukan dengan beberapa tahapan dalam
menentukan jenis daun dengan menggunakan proses segmentasi dan
klasifikasi K-Nearest Neighbor.
Pembentukan proses klasifikasi dan ekspresi inferensi untuk data
input dan output. Gambar 3.1 merupakan gambar input citra. Selanjutnya
Gambar 3.2 merupakan gambar segmentasi. Selanjutnya Gambar 3.3
merupakan gambar hasil ekstraksi ciri. Kemudian Gambar 3.4 merupakan
gambar hasil klasifikasi.
8
Gambar 2. Segmentasi
Gambar 4. Klasifikasi
9
2. Analisis kebutuhan sistem
Sistem yang akan dibuat hanya meliputi kemampuan untuk
klasifikasi jenis daun sehingga dapat memberikan informasi hasil jenis
daun.
10
BAB IV
IMPLEMENTASI DAN PERANCANGAN
11
Jika antarmuka Gambar 3.8 diisikan datanya maka, untuk melihat hasil
ekstraksi dapat ditekan tombol “Load Citra-Segmentasi-Ekstraksi Ciri-Klasifikasi”,
sehingga hasilnya akan diperoleh hasil klasifikasi, seperti yang ditunjukkan pada
Gambar 3.8.
12
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian mengenai klasifikasi jenis daun, maka dapat
disimpulkan sebagai berikut :
1. Hasil klasifikasi jenis daun melalui proses segmentasi,ekstraksi ciri dan
klasifikasi.
2. Aplikasi yang dibuat dapat digunakan untuk klasifikasi jenis daun
dengan mudah.
5.2 Saran
Saran yang dapat penulis sampaikan sebagai berikut :
1. Sistem dapat digunakan untuk analisis secara luas jika dikembangkan
berbasis jaringan.
2. Sistem dapat dikembangkan dengan metode Klasifikasi yang lain agar
mendapatkan hasil prediksi yang lebih tepat.
13
DAFTAR PUSTAKA
14