Perbandingan algoritme centroid contour gradient dan centroid contour distance untuk pengenalan bentuk daun

Abstract

Penelitian ini membandingkan algoritme CCG (Centroid Contour Gradient) dan CCD (Centroid Contour Distance) untuk ekstraksi fitur dalam pengenalan bentuk daun. CCG dan CCD adalah algoritme untuk merepresentasikan bentuk dengan pendekatan berbasis kontur (contour-based). CCG menghitung nilai gradient antar titik sepanjang tepi daun pada setiap interval sudut tertentu sedangkan CCD menghitung jarak titik tengah terhadap titik-titik tepi. Bentuk daun yang digunakan dalam penelitian ini adalah ellips, cordate, ovate, dan lanceolate. Data yang digunakan sebanyak 200 citra daun dengan jumlah citra masing-masing kelas sebanyak 50. Probabilistic Neural Network digunakan untuk mengklasifikasi bentuk daun. Didapatkan akurasi terbaik CCD sebesar 96.67%, jauh lebih besar dibanding akurasi terbaik CCG sebesar 60.00%.

This research compares the CCG (Centroid Contour Gradient) and CCD (Centroid Contour Distance) algorithms for feature extraction in leaf shape recognition. CCG and CCD are algorithm of shape representation based on contour. Contour is an important cue for object recognition. CCG calculates gradient between pairs of boundary points corresponding to interval angle while the CCD calculates the distance between the midpoint and the boundary points. Leaf shapes that used in this study are elliptical, cordate, ovate, and lanceolate. We used 200 Indonesian tropical leaf images. Each class consists of 50 images. Probabilistic Neural Network (PNN) is used to classify leaf shape. The experimental result shows that CCD has better accuracy than CCG. The accuracy achieved by CCD and CCG are 96.67 % and 60.00% respectively.