Pembobotan Classifier untuk Sistem Temu Kembali Citra Tumbuhan pada Ensemble Classifier

Abstract

Indonesia merupakan negara yang memiliki keanekaragaman tumbuhan yang tinggi. Karena tingginya keanekaragaman tumbuhan yang tersebar di seluruh wilayah, hal ini menyebabkan data hasil penelitian banyak tersedia, salah satunya dalam bentuk citra. Pemanfaatan data dalam bentuk citra saat ini belum maksimal karena sistem pencarian data berdasarkan citra hanya bekerja dengan menggunakan karakteristik umum pada citra. Diperlukan sistem pencarian citra tumbuhan yang menggunakan karakteristik khusus pada citra tumbuhan itu sendiri. Karakteristik khusus pada citra bisa didapatkan dengan menggunakan citra daun dan mengambil fitur berupa tekstur dan geometri. Fitur tekstur dan geometri memiliki karakteristik yang berbeda. Akan lebih baik jika setiap fitur dilakukan proses klasifikasi secara terpisah (ensemble classifier). Dengan menggunakan ensemble classifier maka masing-masing classifier bisa menghasilkan akurasi yang berbeda. Oleh karena itu, dibutuhkan pembobotan classifier agar dapat menentukan classifier mana yang lebih kuat dalam penentuan hasil akhir. Pada penelitian ini digunakan metode penggabungan dan pembobotan classifier dengan menggunakan metode Naïve Bayes Combination, Weigthed Majority Vote dan Linear Programming. Data yang digunakan adalah sebanyak 4559 citra dari 156 spesies tumbuhan yang berbeda. Hasil menunjukkan bahwa dari ketiga metode yang digunakan, metode Naïve Bayes Combination mendapatkan rata-rata akurasi tertinggi yaitu sebesar 94.62%, sedangkan metode Weighted Majority Vote (WMV) dan Linear Programming (LP) masing-masing mendapat rata-rata akurasi sebesar 77.84% dan 77.34%. Dari hasil pembobotan menggunakan WMV dan LP, diperoleh nilai bobot classifier tekstur lebih besar dibandingkan dengan classifier geometri, yaitu 0.65 untuk classifier tekstur dan 0.35 untuk classifier geometri oleh metode WMV dan 2.40 untuk classifier tekstur dan 2.0 untuk classifier geometri oleh metode LP. Artinya dengan metode ekstraksi fitur yang digunakan dalam penelitian ini, classifier tekstur lebih baik dalam melakukan klasifikasi dibandingkan dengan classifier geometri. Penyebab rendahnya akurasi di beberapa spesies antara lain karena kurangnya data citra di beberapa spesies daun.