Fitur Berbasis Fraktal dari Koefisien Wavelet untuk Klasifikasi Citra Daun

Rakhmadi, Ardhon (2017) Fitur Berbasis Fraktal dari Koefisien Wavelet untuk Klasifikasi Citra Daun. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5115201017-Master-Theses.pdf - Published Version

Download (2MB) | Preview

Abstract

Semakin banyak dan beragamnya jenis tanaman di dunia mengakibatkan semakin sulit untuk mengidentifikasi dan mengklasifikasi tanaman secara manual. Daun merupakan bagian dari tanaman yang sering dipakai untuk identifikasi dan klasifikasi tanaman. Metode klasifikasi daun secara automatis telah banyak dikembangkan oleh para peneliti. Pada penelitian sebelumnya sistem klasifikasi daun otomatis dibangun menggunakan fitur berbasis fraktal yaitu dimensi fraktal dan lacunarity. Dimensi fraktal dapat diterapkan sebagai deskriptor fitur bentuk sebuah obyek. Lacunarity adalah deskriptor tekstur yang menggambarkan seberapa heterogen suatu citra sehingga dapat digabungkan dengan deskriptor bentuk dimensi fraktal untuk sistem klasifikasi daun otomatis. Sistem klasifikasi daun otomatis berbasis dimensi fraktal dan lacunarity dapat mengklasifikasi daun dengan akurasi tinggi namun memerlukan banyak langkah preprocessing sehingga mengakibatkan komputasi sistem meningkat. Pada penelitian ini diusulkan penggabungan metode praproses berbasis wavelet dengan fitur berbasis fraktal. Ekstraksi fitur menggunakan praproses teknik dekomposisi wavelet sehingga tidak memerlukan banyak langkah preprocessing sehingga komputasi menjadi lebih ringan. Ekstraksi fitur dengan strategi kombinasi tersebut diharapkan mampu meningkatkan akurasi dan mengurangi kompleksitas komputasi sistem klasifikasi daun. Penelitian ini dilakukan melalui beberapa fase, yang pertama adalah praproses menggunakan teknik wavelet untuk memperoleh urat dan tekstur daun. Ekstraksi fitur tekstur daun dilakukan melalui perhitungan lacunarity. Ekstraksi fitur bentuk pinggiran dan tulang daun dilakukan melalui perhitungan dimensi fraktal. Uji coba dilakukan menggunakan 626 citra dari dataset flavia. Pengujian dilakukan dengan menganalisis performa dari fitur berbasis fraktal (lacunarity dan dimensi fraktal) dari koefisien wavelet ketika digunakan secara terpisah dan ketika dikombinasikan satu sama lain dalam memperbaiki hasil klasifikasi daun. Pengujian dilakukan dengan menggunakan klasifier Support Vector Machine (SVM). Hasil eksperimen menunjukkan bahwa metode ekstraksi fitur statistik pada dekomposisi wavelet lebih unggul dalam akurasi dan waktu komputasi dibandingkan dengan metode ekstraksi fitur berbasis fraktal dari penelitian sebelumnya dengan akurasi 96.66% dan waktu komputasi 329.33 detik. ================================================================= The more numerous and varied types of plants in the world make it more difficult to identify and classify plants manually. The leaves are part of the plant that is often used for plant identification and classification. Automatic leaf classification method has been developed by many researchers. In the previous research the automatic leaf classification system was built using fractal-based features of fractal dimension and lacunarity. Fractal dimensions can be applied as feature descriptor forms of an object. Lacunarity is a texture descriptor that describes how heterogeneous an image can be combined with a fractal dimensional form descriptor for automatic leaf classification systems. Automatic leaf classification system based on fractal dimensions and lacunarity can classify leaves with high accuracy but requires a lot of preprocessing steps resulting in increased system computation. In this study proposed incorporation of wavelet based praprocess method with fractal based feature. Feature extraction uses wavelet decomposition process preprocessing so it does not require many preproce ssing steps so computing becomes lighter. Feature extraction with such a combination strategy is expected to improve accuracy and reduce the computational complexity of leaf classification systems. This research is done through several phases, the first is a pre-process using wavelet technique to obtain leaf veins and texture. Leaf texture feature extraction is done through lacunarity calculations. The feature extraction of peripheral shape and bone of leaves is done by calculating fractal dimensions. Using 626 datasets from flavia, testing was performed by analyzing the performance of fractal-based features (lacunarity and fractal dimensions) of wavelet coefficients when used separately and when combined with each other in improving leaf classification results. Testing is done by using Classification Support Vector Machine (SVM). The experimental results show that the statistical feature extraction method on wavelet decomposition is superior in accuracy and computation time compared to the fractal-based feature extraction method from the previous study with 96.66% accuracy and 329.33 second computational time.

Item Type: Thesis (Masters)
Uncontrolled Keywords: klasifikasi daun, dimensi fraktal, lacunarity, discrete wavelet transform, leaves classification, fractal dimension
Subjects: T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
Divisions: Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Ardhon Rakhmadi .
Date Deposited: 09 Nov 2017 03:54
Last Modified: 05 Mar 2019 07:41
URI: https://repository.its.ac.id/id/eprint/43305

Actions (login required)

View Item View Item