Klasifikasi Tumbuhan Angiospermae Berdasarkan Bentuk Tulang Daun Menggunakan Probabilistic Neural Network

Abstract

Angiosperms are closed-seed plants that are devided into two types, monocot (single cotyledon) and dicot (two cotyledons). Around 90% of plants living today are Angiosperms. However, the diversity of Angiosperms made the biological identification process is less effective. A smart system is a solution that is expected to make the identification and learning process of dicot and monocot plants easier and faster. This study uses a Probabilistic Neural Network method. The data used were 1,800 images of angiosperms, where 880 images were 5 types of monocot plants and 920 images were 5 types of dicot plants. The data is divided into training data and testing data, then image resize and RGB to gray-scale image are performed on the image as the pre-processing stage. To classify plant names, a shape segmentation process is carried out which consists of converting to binary image, Gaussian blur, and transform to inverse image. Meanwhile, to classify plant type (monocot or dicot), a vein segmentation process is carried out which consists of, Canny edge detection, and binarization. The results of shape segmentation and vein segmentation were performed GLCM as feature extraction and classified using PNN. Dicotyl plant name test results obtained an accuracy rate of 87%, while for monocot plants obtained an accuracy rate of 80%, so that the classification of plant names obtained an average accuracy rate of 83.6%. For plant type test results obtained an accuracy rate of 87%. From the test results that have been obtained regarding the classification of names and types of Angiosperm Plants, it can be concluded that the system works quite well.

Angiospermae merupakan tumbuhan biji tertutup yang dibagi menjadi 2 jenis, yaitu monokotil (berkeping 1) dan dikotil (berkeping 2). Sekitar 90% tumbuhan yang hidup saat ini merupakan tumbuhan Angiospermae. Namun, begitu banyaknya keanekaragaman tumbuhan jenis Angiospermae yang ada menyebabkan proses identifikasi secara biologis menjadi kurang efektif. Sistem cerdas menjadi solusi yang diharapkan dapat memudahkan proses identifikasi maupun pembelajaran tumbuhan dikotil dan monokotil menjadi lebih mudah dan cepat. Penelitian ini menggunakan metode Probabilistic Neural Network. Data yang digunakan ialah citra daun angiospermae berjumlah 1.800 citra dimana 880 citra merupakan 5 jenis tumbuhan monokotil dan 920 citra merupakan 5 jenis tumbuhan dikotil. Data dibagi menjadi data training dan data testing, kemudian dilakukan image resize dan RGB to gray-scale image kepada citra sebagai tahap pre-processing. Untuk mengklasifikasi nama tumbuhan, dilakukan proses shape segmentation yang terdiri dari converting to binary image, Gaussian blur, dan transform to inverse image. Sedangkan untuk mengklasifikasi jenis tumbuhan (monokotil atau dikotil) dilakukan proses vein segmentation yang terdiri dari Canny edge detection, dan binarization. Hasil shape segmentation dan vein segmentation dilakukan GLCM sebagai feature extraction dan diklasifikasikan menggunakan PNN. Hasil pengujian nama tumbuhan dikotil memperoleh tingkat akurasi sebesar 87%, sedangkan untuk tumbuhan monokotil memperoleh tingkat akurasi sebesar 80%, sehingga untuk klasifikasi nama tumbuhan memperoleh tingkat akurasi rata-rata sebesar 83,6%. Untuk hasil pengujian jenis tumbuhan memperoleh tingkat akurasi sebesar 87%. Dari hasil pengujian yang sudah diperoleh terkait pengklasifikasian nama dan jenis Tumbuhan Angiospermae, dapat disimpulkan bahwa sistem bekerja dengan cukup baik.