DETEKSI DAN KLASIFIKASI DAUN MENGGUNAKAN METODE ADABOOST DAN SVM

Zaki Imaduddin, Hilmy Abidzar Tawakal

Abstract


Daun merupakan salah satu organ dari tumbuhan yang sering digunakan untuk membedakan jenis tumbuhan. Banyak penelitian dibidang pengolahan citra yang mencoba untuk melakukan proses klasifikasi tumbuhan dengan melakukan klasifikasi daun [3][14][15]. Namun, penelitian-penelitian tersebut mensyaratkan agar citra daun yang digunakan sebagai masukan diambil dari sample daun yang berada dalam keadaan utuh dan baik. Pada kenyataannya tidak setiap saat sample daun dapat diperoleh dengan mudah, pada pohon yang tinggi misalnya atau pada kondisi dimana dibutuhkan proses pengenalan yang cepat. Sampai saat ini belum ada penelitian yang melakukan proses deteksi objek daun secara otomatis sekaligus melakukan pengenalan terhadap objek daun tersebut. Pada penelitian ini diajukan metode yang mampu untuk melakukan pengenalan jenis daun tanpa harus mendapatkan sample daun secara utuh. Metode yang diajukan mampu mendeteksi secara otomatis letak daun serta mengenali jenis dari daun yang terdeteksi tersebut. Hasil penelitian yang didapat dengan metode deteksi menggunakan metode AdaBoost menghasilkan akurasi sebesar 84,23%. dan dengan menggunakan metode klasifikasi SVM, akurasi yang dihasilkan sebesar 71%, sedangkan dengan menggunakan kedua metode tersebut hasil yang didapatkan mencapai 51,68%


Full Text:

PDF

References


The Plant List (2010). Version 1 Published on internet. http://www.theplantlist.org. Accessed on 12 March 2012.

Bappenas. 2003. Indonesia Biodiversity Strategy and Action Plan 2003-2020. Jakarta: Bappenas.

Mouine Sofiene, Yahiaoui Itheri, Blondet Anne Verroust “A shape based approach for leaf classification using multiscale triangular representation” Third ACM International Conference on Multimedia Retrieval 2013.

Kadir, A., Nugroho, L. E., Susanto, A., & Santosa, P. I. (2011c). Neural network application on foliage plant identification.International Journal of Computer Applications, 29, 15-22

Y. Herdiyeni et al.,“A computer aided system for tropical leaf medicinal plant identification.”IJASEIT, vol. 3, no. 1, pp. 23-27, 2013.

S. Wu, F. Bao, E. Xu, Y.-X. Wang, Y.-F. Chang, and Q.-L. Xiang. A leaf recognition algorithm for plant classification using probabilistic neural network. In Signal Processing and Information Technology, 2007 IEEE International Symposium on, pages 11 – 16, dec. 2007.

C. Ruan, Q. Ruan, and X. Li, “Real Adaboost feature selection for Object Recognition,” in IEEE 10th International Conference On Signal Processing Proceeding , pp. 1402–1405, 2010.

Yoav Freund and Robert E. Schapire. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1):119.139, August 1997.

Yoav Freund Robert E. Schapire, "A Short Introduction to Boosting," Journal of Japanese Society for Artificial Intelligence, pp. 771-780, September 1999.

Viola, Paul A. and Jones, Michael J. "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE CVPR, 2001.

M. Oren, C. Papageorgiou, P. Sinha, E. Osuna, and T. Poggio, “Pedestrian detection using wavelet templates,” in IEEE Conf. Comput. Vis. Pattern Recognit., pp. 193–199, 1997

B. Georgescu, X. Zhou, D. Comaniciu, and A. Gupta, “Databaseguided segmentation of anatomical structures with complex appearance,” in IEEE Conf. Comput. Vis. Pattern Recognit., vol. 2, pp. 429–436, 2005.

R. Raghavendra, B. Dorizzi, A. Rao, and G. K. Hemantha, “PSO versus AdaBoost for feature selection in multimodal biometrics,” in 2009 IEEE 3rd International Conference on Biometrics: Theory, Applications, and Systems, pp. 1–7, 2009.

Karuna,G, Sujatha,B & Reddy Chandrasekhar, P "WaSS: A Novel Hybrid Method for Object Recognition Using Wavelet based Statistical and Structural Approaches" IJCSI International Journal of Computer Science Issues, Vol. 11, Issue 4, No 2, July 2014.

K.Singh,I. Gupta, &S. Gupta, “SVM-BDT PNN and Fourier Moment Technique for Classification of Leaf Shape”.International Journal of Signal Processing, Image Processing and PatternRecognition,vol.3(4), pp. 67-78,2010.


Refbacks

  • There are currently no refbacks.