aplikasi mobile untuk identifikasi
DESCRIPTION
Aplikasi Mobile Untuk IdentifikasiTRANSCRIPT
-
MEDLEAF: APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT BERBASIS CITRA DAN TEKS
Desta Sandya Prasvita1, Yeni Herdiyeni2
1Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, [email protected]
2 Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, [email protected]
ABSTRACT
DESTA SANDYA PRASVITA. MEDLEAF: Mobile application for medicinal plant identification based on image and text. Under the supervision of YENI HERDIYENI.
This research proposed a new mobile application (MEDLEAF) for medicinal plants identification based on image and text. The application is developed using the Android operating system. There are two facilities in this mobile application, i.e. plants identification and search engine. Plants identification is used for species identification based on leaf image and search engine is used for searching information based on medicinal plants documents. This research used a limited member of documents, i.e. 32 kinds of medicinal plants and 30 kinds of image data of herbs. A questionnaire is used to evaluate user satisfication. The evaluation results shows that MEDLEAF is promising for medicinal plants identification.
Keywords: Heuristic evaluation , Infromation Retrieval, Local Binary Patterns, Local Binary Patterns Variance, Probabilistic Neural Network.
1 PENDAHULUAN
Pada tahun 2001, Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan
(Fahutan), Institut Pertanian Bogor (IPB) telah mendata bahwa terdapat tidak kurang dari
2039 spesies tumbuhan obat berasal dari hutan Indonesia (Zuhud 2009). Identifikasi
tumbuhan obat tersebut perlu menggunakan herbarium atau text book untuk dibandingkan
dengan objek aslinya, tapi prosesnya akan memakan waktu yang lama dan merepotkan.
Tentunya herbarium juga memiliki kemungkinan rusak sehingga tumbuhan sulit untuk
dikenali lagi. Wilayah Indonesia sangat luas sehingga dibutuhkan perangkat yang dapat
mengidentifikasi tumbuhan obat yang bekerja secara mobile. Seiring bertambahnya
keanekaragaman tumbuhan obat, makin bertambah pula dokumen tumbuhan obat hasil
dokumentasi oleh para peneliti. Oleh karena itu, dibutuhkan perangkat mobile yang dapat
mengidentifikasi tumbuhan obat berbasis citra dan teks secara otomatis.
-
Berdasarkan penelitian yang telah dilakukan sebelumnya, identifikasi citra tumbuhan
obat dapat dilakukan dengan menggunakan fitur Local Binary Patterns (Kusmana 2011).
Selain itu, telah dilakukan penelitian untuk searching tumbuhan obat dengan ekstraksi ciri
dokumen menggunakan chi-kuadrat dengan klasifikasi nave bayes (Herawan 2011). Wells
(2011) telah membuat Aplikasi mobile untuk pengolahan citra menggunakan Google Phone
dengan sistem operasi Android. Speckmann (2008) mengatakan dalam penelitiannya untuk
saat ini platform yang paling baik digunakan dalam pengembangan aplikasi pada mobile
device adalah sistem operasi Android.
Pada penelitian ini, dilakukan pembuatan aplikasi mobile untuk identifikasi
tumbuhan obat berbasis citra dan teks. Aplikasi ini dikembangkan dengan menggunakan
sistem operasi Android. Dalam penelitian ini, citra digunakan untuk identifikasi citra
tumbuhan obat dan teks digunakan untuk pencarian dokumen pada sistem temu kembali
informasi.
2 DASAR TEORI
2.1 Local Binary Patterns Variance (LBPV)
Secara definisi, VAR mendeskripsikan informasi kontras dan !,!!"#! mendeskripsikan informasi pola tekstur yang tidak dipengaruhi perubahan gray scale dan
rotasi sehingga kedua operator tersebut bersifat komplemen. Variance berhubungan dengan
fitur tekstur. Biasanya, frekuensi tekstur region yang tinggi akan mempunyai variance yang
lebih tinggi dan variance-variance tersebut lebih berkontribusi terhadap perbedaan tekstur
suatu citra (Guo et al. 2010b). Oleh karena itu, variance !,! dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan
histogram. Ojala et al. (2002) melakukan joint distribution pola LBP dengan kontras lokal
sebagai descriptor tekstur bernama LBPV. LBPV dimaksudkan menjadi sebuah descriptor
tekstur yang bisa menginformasikan pola tekstur dan kontras lokal. Histogram LBPV
dihitung menggunakan formula sebagai berikut:
LBPVP,R k = w LBPP,R i,j ,k , k 0,KMj=1Ni=1 ...[1] Dengan:
-
w LBPP,R i,j ,k = VARP,R i,j , LBPP,R i,j =k0, selainnya [2] 2.2 Probabilistic Neural Network
PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema
probabilitas klasik. PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN
menggunakan pelatihan (training) supervised. PNN merupakan jaringan syaraf tiruan yang
menggunakan radial basis function (RBF). RBF adalah fungsi yang berbentuk seperti bel
yang menskalakan variabel nonlinear. Keuntungan utama menggunakan arsitektur PNN
adalah Training data PNN mudah dan cepat (Wu et al. 2007).
Gambar 1. Struktur PNN
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan, dan lapisan keputusan/keluaran. Struktur PNN ditunjukkan pada Gambar 1.
Lapisan-lapisan yang menyusun PNN adalah sebagai berikut:
1 Lapisan input (input layer) Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan diklasifikasikan
pada salah satu kelas dari n kelas.
2 Lapisan pola (pattern layer) Pada lapisan pola dilakukan perhitungan jarak antara input dengan vektor bobot xij ,yaitu Zi=x- xij ,simbol minus menunjukkan jarak antara vektor. ! kemudian dibagi dengan bias tertentu dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu
radbas n = ex p -n2. Dengan demikian, persamaan yang digunakan pada lapisan pola
adalah sebagai berikut:
-
f x = exp - x-xijTx-xij
22 ... [3]
dengan !" menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j. 3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan sehingga
dihasilkan probability density function untuk setiap kelas. Persamaan yang digunakan
pada lapisan ini adalah:
p(x)= 12
k2kt
exp - x-xijTx-xij
22 ti=1 .[4]
4 Lapisan keluaran (output layer) Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai ! paling besar dibandingkan kelas lainnya.
3 METODOLOGI
Pembuatan aplikasi mobile untuk identifikasi tumbuhan obat berbasis citra dan teks
bekerja pada mobile device (client) dan server. Untuk citra, pada sisi server dilakukan
proses training PNN untuk pembuatan model klasifikasi dari hasil ekstraksi ciri LBPV
terhadap data latih citra tumbuhan obat, sedangkan sisi client dilakukan proses pengenalan
citra menggunakan klasifikasi PNN terhadap model klasifikasi. Untuk teks, pada sisi server
dilakukan klasifikasi dokumen untuk pembentukan indeks klasifikasi, sedangkan sisi client
mengambil input kueri teks dan mengirimkan kueri tersebut ke server untuk proses temu
kembali informasi dan hasilnya akan ditampilkan di sisi mobile device (client).
Penelitian ini menggunakan metode penelitian Herawan (2011) untuk searching
dokumen tumbuhan obat dan penelitian Kusmana (2011) untuk identifikasi tumbuhan obat
menggunakan fitur citra. Pembuatan aplikasi mobile ini memiliki dua input yang berbeda,
yaitu citra dan teks. Input citra tumbuhan obat dapat diambil dari kamera atau galeri pada
ponsel. Input teks dimasukan melalui keyboard pada ponsel. Metode penelitian dapat
dilihat pada Gambar 2.
-
Mobile Devices (Client)
Server
Citra
Teks
Gambar 2. Metode penelitian
Ambil Gambar
Ekstraksi Ciri
Praproses
Model Klasifikasi
Hasil Identifikasi
Evaluasi
Citra Daun
Praproses
Ekstraksi Ciri
Model Klasifikasi
PNN
Kueri : Teks Dokumen Obat
Praproses
Pemilihan Fitur
Klasifikasi Nave Bayes
Indeks Klasifikasi
Temu Kembali
Peringkat Dokumen
Display
Evaluasi
-
Pada penelitian ini struktur aplikasi dibagi menjadi dua bagian, di antaranya adalah:
1 Server
2 Client
3.1 Server
Pemrosesan di server dibagi menjadi dua bagian, yaitu training citra dan training
dokumen. Training citra menghasilkan model klasifikasi terhadap citra daun dari hasil
ekstraksi ciri. Model klasifikasi yang dihasilkan akan digunakan untuk proses pengenalan
citra yang dilakukan di client. Training citra pada server menggunakan PNN. Training
dokumen tumbuhan obat menghasilkan indeks klasifikasi dari hasil klasifikasi Nave Bayes.
Pada server, untuk dokumen juga dilakukan temu kembali informasi terhadap indeks
klasifikasi untuk kueri yang dikirim dari client.
3.1.1 Training Citra
Training citra tumbuhan obat di server menggunakan metode penelitian Kusmana
(2011). Training untuk citra tumbuhan obat prosesnya adalah sebagai berikut:
Ekstraksi Ciri Citra
Total citra yang digunakan 1440 citra daun tumbuhan obat yang disajikan pada
Lampiran 1 terdiri atas 30 jenis daun, depan dan belakang (masing-masing kelas 48
citra). Citra daun berfomat JPEG dengan ukuran 270 x 240 pixel. Sebelum masuk ke
dalam tahap ekstraksi fitur, citra dipraproses terlebih dahulu. Citra daun merupakan citra
RGB dengan latar belakang putih. Masukan untuk ekstraksi tekstur menggunakan citra
gray scale yang berukuran 240 x 270 pixel. Praproses citra dapat dilihat pada Gambar 3.
Gray Scale RGB
Gambar 3. Citra masukan untuk ekstraksi tekstur
-
Ekstraksi fitur pada citra daun hanya dilakukan pada pixel-pixel yang menyusun
daun. Latar belakang yang berwarna putih tidak dimasukan dalam proses ekstraksi agar
tidak menjadi penciri. Ekstraksi fitur tekstur pada penelitian ini menggunakan !,!. Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator (8,1). Nilai-nilai !,! yang dihasilkan dari proses esktraksi direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP pada sebuah citra.
Histogram LBPV!,! memiliki P+2 bin. P merupakan banyaknya sampling points yang digunakan. Histogram yang dihasilkan pada Ekstraksi ciri tekstur LBPV!,! dengan operator (8,1) menghasilkan 10 bin.
Klasifikasi Citra
Masukan untuk klasifikasi PNN diambil dari citra daun yang telah melewati tahap
ekstraksi ciri sebelumnya. Lapisan output memiliki beberapa target kelas sesuai dengan
jumlah jenis daun. Untuk lapisan pola hanya digunakan satu model PNN yaitu dengan
nilai bias () 0.015. Pada histogram, dilakukan normalisasi agar perhitungan tidak
menghasilkan bilangan yang terlalu besar atau kecil yang tidak bisa dikerjakan oleh
mesin komputer.
Evaluasi
Pada penelitian Kusmana (2011), akurasi klasifikasi citra tumbuhan obat
menggunakan fitur LBPV adalah sebesar 56.333%. Proporsi data latih dan data uji yang
digunakan masing-masing adalah 80% dan 20%.
3.1.2 Training Dokumen
Training dokumen tumbuhan obat pada penelitian ini menggunakan metode
penelitian yang dilakukan oleh Herawan (2011). Training dokumen tumbuhan obat
prosesnya adalah sebagai berikut:
Pemilihan Fitur Dokumen
Penelitian ini menggunakan koleksi dokumen tumbuhan obat sebagai korpus yang
sama dengan penelitian Herawan (2011). Koleksi dokumen tumbuhan obat berjumlah
132 dokumen bertipe file XML.
-
Sebelum masuk ke tahap ekstraksi fitur, dokumen dipraproses terlebih dahulu.
Tahapannya ialah dengan lowercasing, tokenisasi, dan pembuangan stopwords.
Pemilihan fitur dilakukan dengan metode uji chi-kuadrat pada nilai signifikansi 0.001.
Fitur yang dihasilkan pada tahapan pemilihan fitur akan digunakan untuk membuat
vector space model. Model terdiri atas beberapa dokumen yang direpresentasikan
sebagai vektor dari frekuensi kemunculan fitur.
Klasifikasi Dokumen
Nilai peluang kata yang didapat kemudian digunakan untuk melakukan penghitungan
Nave Bayes pada dokumen uji untuk setiap kelasnya. Kemudian, diambil nilai peluang
yang terbesar pada nilai penghitungan Nave Bayes. Nilai tersebut merupakan kelas dari
dokumen uji tersebut.
Evaluasi
Akurasi sistem klasifikasi yang dikelaskan berdasarkan family dan penyakit
tumbuhan obat yaitu masing-masing sebesar 97.44% dan 89.74% (Herawan 2011).
Selain training dokumen tumbuhan obat, di server juga dilakukan temu kembali
informasi terhadap kueri yang dikirimkan dari ponsel. Pembobotan yang digunakan
adalah BM25 untuk menghitung bobot kedekatan kueri dengan dokumen koleksi. Pada
penelitian Herawan (2011), telah dilakukan pengujian sistem temu kembali informasi
dengan menghitung nilai recall dan precision dari kueri yang diujikan. Hasil
penghitungan recall precision yang tinggi ditunjukkan pada Gambar 4. Evaluasi kinerja
sistem temu kembali informasi juga menghasilkan nilai average precision yang tinggi
juga yaitu sebesar 93.26%.
Gambar 4. Grafik recall precision kueri uji
-
3.2 Client
Sama halnya pemrosesan server, pemrosesan di client juga dibagi menjadi dua bagian,
yaitu untuk identifikasi citra dan pencarian dokumen. Untuk identifikasi citra semua proses
dilakukan di client tanpa memerlukan koneksi ke server. Pencarian dokumen tumbuhan
obat pada client dilakukan pengambilan kueri teks yang akan diproses di server dan
hasilnya akan dikembalikan lagi ke client.
3.2.1 Identifikasi Citra Tahapan proses identifikasi citra daun tahapannya adalah praproses, ekstraksi ciri,
dan pengenalan citra menggunakan PNN terhadap model klasifikasi hasil training PNN
di server. Praproses dan ekstraksi ciri di client dilakukan dengan menggunakan metode
yang sama seperti di server. Alur sistem untuk identifikasi citra di aplikasi mobile
(client) dapat dilihat pada Gambar 5.
Mulai
Input Citra
Identifikasi Citra
Hasil identifikasi
Pencarian berdasarkan
khasiat
Temu Kembali
Tampilkan citra
Selesai
Tidak
Ya
Gambar 5. Alur sistem untuk identifikasi citra
-
3.2.2 Pencarian Dokumen
Input teks yang dimasukan melalui keyboard ponsel akan dikirimkan ke server untuk
dilakukan proses temu kembali informasi. Setelah proses temu kembali informasi di
server, hasil pemeringkatan dokumen akan ditampilkan pada layar ponsel. Alur sistem
untuk pencarian dokumen tumbuhan obat di aplikasi mobile (client) dapat dilihat pada
Gambar 6.
3.3 Evaluasi Kinerja Sistem
Evaluasi kinerja sistem terhadap pengguna menggunakan metode kuesioner. Pertanyaan-
pertanyaan kuesioner dapat dilihat pada Lampiran 6. Tujuan evaluasi kinerja sistem ialah
mengetahui seberapa puas pengguna terhadap hasil identifikasi, pencarian dokumen, dan
Mulai
Input
Temu Kembali Informasi
Peringkat Dokumen
Lihat detail
Detail dokumen
Selesai
Tidak
Ya
Gambar 6. Alur sistem untuk pencarian dokumen tumbuhan obat
-
Human Computer Interaction (HCI). Evaluasi HCI menggunakan evaluasi heuristik yang
terdiri atas 10 aturan yang dapat digunakan untuk menghasilkan gagasan.
3.4 Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel(R)
Core(TM) i5-2410M CPU @ 2.30GHz (4 CPUs), memori DDR2 RAM 4096MB, dan
harddisk 450 GB. Perangkat mobile yang digunakan adalah HTC Desire HD, CPU @
1GHz, memori RAM 768MB, dan internal phone storage 1.5GB. Perangkat lunak yang
digunakan adalah sistem operasi Windows 7 Ultimate 64-bit, Eclipse Version: Helios
Service Release 2, Notepad++, server XAMPP, Perangkat lunak MySQL untuk database
server.
4 HASIL DAN PEMBAHASAN
4.1 Hasil Praproses
Sebelum masuk ke dalam tahap ekstraksi fitur, citra RGB yang ditangkap dari
kamera ponsel dipraproses terlebih dahulu. Tahapannya ialah, mengubah citra RGB
menjadi citra gray scale, lalu citra gray scale tersebut diubah ukurannya menjadi 240x270
pixel tanpa mengubah proporsi citra dengan melakukan proses scaling dan cropping.
Tahapan akhir praproses ialah mengubah background citra menjadi putih.
4.2 Hasil Antarmuka Sistem
Antarmuka aplikasi mobile secara garis besar dibagi menjadi dua yaitu antarmuka
untuk identifikasi citra dan pencarian dokumen tumbuhan obat.
4.2.1 Identifikasi citra
Citra untuk identifikasi tumbuhan obat dapat diambil dari galeri atau kamera ponsel.
Setelah citra ditampilkan di layar ponsel, pengguna dapat mengidentifikasi citra tersebut
dengan menekan tombol identifikasi yang telah disediakan. Antarmuka identifkasi citra
dapat dilihat pada Gambar 7.
-
Setelah hasil identifikasi ditampilkan, pengguna dapat melihat detail dari citra
tumbuhan hasil identifikasi tersebut. Pada bagian khasiat dari detail tumbuhan, pengguna
dapat mencari tumbuhan lain mana yang memiliki khasiat yang sama.
4.2.2 Pencarian Dokumen
Kueri teks untuk pencarian dokumen dapat langsung dimasukan di textbox yang
tersedia. Pilih tombol search jika ingin mencari dokumen yang terkait dengan kueri yang
diinputkan. Antarmuka untuk pencarian dokumen tumbuhan dapat dilihat pada Gambar 8.
4.3 Evaluasi Kinerja Sistem
Evaluasi kinerja sistem yang dilakukan terdiri atas tiga proses evaluasi. Evaluasi
pertama adalah perbandingan waktu proses search engine berbasis web application dengan
aplikasi mobile, evaluasi kedua adalah pengujian terhadap kueri teks penyakit pada citra,
evaluasi ketiga adalah pengujian kemudahan dan kepuasan penggunaan. Untuk evaluasi
ketiga, proses evaluasi dilakukan menggunakan kuesioner yang disebar kepada 20
koresponden.
Gambar 7. Antarmuka identifikasi citra
Gambar 8. Antarmuka untuk pencarian dokumen
-
4.3.1 Evaluasi Waktu Proses Search Engine
Gambar 9 menjelaskan waktu rata-rata yang digunakan untuk proses pencarian
dokumen tumbuhan obat menggunakan web aplication dengan aplikasi mobile. Pencarian
dokumen menggunakan web application adalah selama 1.58 detik dan untuk yang berbasis
web application adalah 0.14 detik.
Gambar 9. Perbandingan waktu proses pencarian dokumen di web dengan mobile devices
Gambar 9 menunjukkan bahwa waktu proses pencarian dokumen di mobile aplication
lebih cepat dibandingkan dengan waktu proses di web application. Hal tersebut disebabkan
waktu yang digunakan untuk rendering data pada web browser berbeda dibandingkan
rendering data di aplikasi mobile. Perangkat keras yang digunakan dalam pengujian adalah
Processor Intel(R) Core(TM) i5-2410M CPU @ 2.30GHz (4 CPUs), dan memori DDR2
RAM 4096MB. Perangkat mobile yang digunakan adalah HTC Desire HD, CPU @ 1GHz,
dan memori RAM 768MB. Web browser yang digunakan dalam pengujian ini adalah
google chrome versi 18.0.1025.162.
4.3.2 Evaluasi Kueri Teks Penyakit pada Citra
Evaluasi kueri teks penyakit pada citra ialah menggunakan skenario pengujian.
Sebelum dilakukan skenario pengujian sistem, kueri-kueri khasiat tumbuhan
dikelompokan ke dalam beberapa jenis penyakit. Lalu, dari 30 jenis tumbuhan yang
dimiliki dikelompokan ke dalam beberapa kelompok jenis penyakit sehingga diketahui
berapa jumlah citra yang diharapkan dari setiap jenis penyakit. Daftar kueri terhadap
jenis penyakit dan jumlah citra yang diharapkan dapat dilihat pada Tabel 1.
1.58
0.14
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
Wak
tu (d
etik
) web
mobile devices
-
Tabel 1. Kueri terhadap jenis penyakit dan jumlah citra yang diharapkan
jenis penyakit kueri jumlah citra yang
diharapkan
perawatan Ketombe, bau mulut, bau badan,
rambut rontok, Haid tidak teratur,
masalah kewanitaan
10
Kulit gatal-gatal, bisul, luka 10
Nyeri-Radang-
Demam
Antiradang, demam, sakit kepala,
penurun panas
11
Kronis Kanker, ginjal 6
Pencernaan Maag, sariawan, radang usus,
disentri, sakit perut, lambung
18
Saluran Kemih infeksi saluran Kemih 1
Pernapasan Bronchitis, tbc, influenza, Paru-
paru lemah
6
Skenario pengujian sistem yaitu dilakukan dengan membandingkan jumah citra yang
diharapkan dengan jumlah fakta yang didapat dari sistem. Akurasi perbandingan jumlah
citra yang diharapkan dengan fakta dari sistem dapat dilihat pada Tabel 2.
Tabel 2. Perbandingan terhadap jumlah citra yang diharapkan dengan fakta dari sistem
jenis penyakit jumlah citra yang
diharapkan
fakta dari sistem
akurasi
perawatan 10 10 100 %
Kulit 10 10 100 % Nyeri-Radang-Demam
11 10 91 %
Kronis 6 5 83 %
Pencernaan 18 17 94 % Saluran Kemih 1 1 100 %
Pernapasan 6 6 100 %
-
5 Evaluasi Kemudahan dan Kepuasan Penggunaan
Pengujian kemudahan penggunaan sistem dilakukan menggunakan kuesioner.
Kuesioner disebar kepada 20 koresponden. Untuk kuesioner diberikan 10 pertanyaan
yang mengarah kepada 10 aturan evaluasi heuristik. Koresponden terdiri atas 20
mahasiswa IPB yang di antaranya adalah, 8 mahasiswa Fakultas Kehutanan, 1
mahasiswa Departemen biologi, 2 mahasiswa FEM, 2 mahasiswa perikanan, dan 7
koresponden dari mahasiswa Departemen Ilmu Komputer. Hasil kuesioner 20
koresponden dapat dilihat pada Tabel 3.
Tabel 3. Hasil kuesioner 20 koresponden
Point Pertanyaan Jawaban Total Puas Cukup
Puas Tidak Puas
1 Visibility of system status
15 (75%)
5 (25%)
0 (0%)
20
2 Match between system and the real world
13 (65%)
7 (35%)
0 (0%)
20
3 User control and freedom
15 (75%)
5 (25%)
0 (0%)
20
4 Consistency and standards
15 (75%)
4 (20%)
1 (5%)
20
5 Error prevention 7 (35%)
10 (50%)
3 (15%)
20
6 Recognition rather than recall
12 (60%)
4 (20%)
4 (20%)
20
7 Flexibililty and efficiency of use
10 (50%)
5 (25%)
5 (25%)
20
8 Aesthetic and minimalist design
12 (60%)
8 (40%)
0 (0%)
20
9 Help users recognize, diagnose, and recover from errors
10 (50%)
9 (45%)
1 (5%)
20
10 Help and documentation
10 (50%)
8 (40%)
2 (10%)
20
Total 59.5 %
32.5 %
8 %
100 %
Jawaban dari koresponden terhadap 10 pertanyaan yang mengarah pada 10 aturan
evaluasi heuristik menghasilkan kesimpulan dalam aspek kemudahan penggunaan
-
sistem. Adapun kesimpulan dalam aspek kemudahan terhadap 10 aturan evaluasi
heuristik adalah:
1 Visibility of system status
Koresponden merasa puas dan cukup puas pada point ini karena pada sistem sudah
ada petunjuk yang pengguna sedang kerjakan pada setiap halaman.
2 Match between system and the real world
Koresponden merasa puas dan cukup puas pada point ini disebabkan sistem sudah
menggunakan bahasa yang mudah dipahami oleh pengguna.
3 User control and freedom
Koresponden merasa puas dan cukup puas pada point ini disebabkan pembuatan icon
pada sistem ini membantu dan memudahkan kerja pengguna.
4 Consistency and standards
Sebagian koresponden merasa puas dan cukup puas, tetapi ada sebagian koresponden
merasa tidak puas pada point ini. Hal tersebut disebabkan pada sistem ini masih ada
ketidakkonsistenan dalam penggunaan bahasa.
5 Error prevention
Sebagian besar koresponden merasa puas dan cukup puas, tetapi ada sebagian
koresponden merasa tidak puas pada point ini. Hal tersebut disebabkan penulis hanya
menampilkan pesan konfirmasi di sebagian fungsi yang ada.
6 Recognition rather than recall
Sebagian besar koresponden merasa puas, tetapi ada sebagian koresponden hanya
merasa cukup puas dan tidak puas pada point ini. Hal tersebut membuktikan bahwa
masih ada sebagian dari koresponden masih merasa tidak mudah dalam mengingat
langkah-langkah dalam menggunakan sistem ini.
7 Flexibililty and efficiency of use
Sebagian besar koresponden merasa puas, tetapi ada sebagian koresponden hanya
merasa cukup puas dan tidak puas pada point ini. Hal tersebut disebabkan sebagian
koresponden masih belum pernah menggunakan ponsel Android.
8 Aesthetic and minimalist design
Koresponden merasa puas dan cukup puas pada point ini disebabkan sistem telah
relevan dan detail dalam penyampainan informasi.
-
9 Help users recognize, diagnose, and recover from errors
Sebagian koresponden merasa puas dan cukup puas, tetapi ada sebagian koresponden
merasa tidak puas pada point ini. Hal tersebut disebabkan beberapa pesan error masih
ditampilkan dalam bahasa yang kurang dimengerti oleh pengguna.
10 Help and documentation
Sebagian koresponden merasa puas dan cukup puas, tetapi ada sebagian koresponden
merasa tidak puas pada point ini. Hal tersebut disebabkan dokumentasi tentang sistem
ini masih kurang detail.
Kuesioner juga diterapkan untuk pengujian terhadap kepuasan hasil identifikasi dan
pencarian dokumen tumbuhan obat. Pertanyaan untuk kepuasan identifikasi citra terdiri
atas 2 pertanyaan, yaitu tentang keputusan terhadap hasil identifikasi dan terhadap waktu
tunggu untuk pemrosesan citra. Begitu juga pertanyaan tentang pencarian dokumen yang
terdiri atas kepusan terhadap hasil pencarian dokumen dan terhadap waktu tunggu untuk
pencarian dokumen.
Dari 20 koresponden, 35% merasa puas terhadap hasil identifikasi, 50% merasa
cukup puas, dan 15% merasa tidak puas dengan hasil identifikasi citra. Hal tersebut
disebabkan karena akurasi klasifikasi PNN untuk citra tumbuhan obat menggunakan
fitur LBPV masih kecil yaitu, sebesar 56.333. Grafik tingkat kepuasan user untuk hasil
identifikasi citra dapat dilihat pada Gambar 10.
Gambar 10. Perbandingan kepuasan user terhadap hasil identifikasi citra
35%
50%
15%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Kepuasan
Puas
Cukup Puas
Tidak Puas
-
Untuk waktu proses identifikasi citra 25% koresponden merasa puas, 70% merasa
cukup puas, dan 5% koresponden tidak puas dengan waktu proses identifikasi tumbuhan
obat. Hal tersebut menunjukkan bahwa waktu pemrosesan identifikasi tumbuhan obat di
client (mobile devices) masih dapat diterima oleh pengguna. Grafik tingkat kepuasan
user untuk waktu proses identifikasi citra dapat dilihat pada Gambar 11.
Gambar 11. Perbandingan kepuasan user terhadap waktu proses identifikasi citra
Pada penelitian Herawan (2011) evaluasi sistem temu kembali informasi
menghasilkan penghitungan recall precision yang tinggi. Hal tersebut juga dibuktikan
terhadap kepuasan user pada Gambar 12. Grafik menunjukan 40% koresponden merasa
puas dengan hasil pencarian dokumen, 60% merasa cukup puas, dan tidak ada (0%)
koresponden yang merasa tidak puas dengan hasil pencarian dokumen. Banyak
koresponden masih merasa cukup puas disebabkan bukan karena hasil pencarian
dokumennya, melainkan masih merasa detail dari dokumen tumbuhan obat masih
kurang lengkap.
25%
70%
5%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Kepuasan
Puas
Cukup Puas
Tidak Puas
-
Gambar 12. Perbandingan kepuasan user terhadap hasil pencarian dokumen
Grafik pada Gambar 13 menunjukkan 45% koresponden merasa puas dengan waktu
tunggu pencarian dokumen, 55% merasa cukup puas, dan tidak ada koresponden yang
merasa tidak puas dengan waku tunggu pencarian dokumen. Hal tersebut juga
berbanding lurus dengan hasil evaluasi waktu proses search engine yang dilakukan
penulis pada Gambar 9.
Gambar 123. Perbandingan kepuasan user terhadap waktu proses pencarian dokumen
40%
60%
0%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Kepuasan
Puas
Cukup Puas
Tidak Puas
45%
55%
0% 0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Kepuasan
Puas
Cukup Puas
Tidak Puas
-
6 KESIMPULAN
6.1 Kesimpulan
Pembuatan aplikasi mobile untuk identifikasi tumbuhan obat berbasis citra dan teks
berhasil diimplementasikan. Setelah melakukan penelitian terhadap sistem dapat ditarik
kesimpulan:
1 Aplikasi mobile yang dibangun ini sudah dapat diterima atau digunakan oleh pengguna
sistem dalam aspek kemudahan. Dapat dilihat dari 59.5% koresponden menyatakan puas
dan 32.5% merasa cukup puas dengan aplikasi ini.
2 Dalam aspek identifikasi citra masih ada koresponden merasa tidak puas dengan hasil
identifikasi, hal tersebut berbanding lurus dengan akurasi identifikasi citra yang masih
kecil yaitu sebesar 56.333%.
3 Untuk pencarian dokumen tumbuhan obat sebagian besar koresponden menyatakan
cukup puas. Hal tersebut juga berbanding lurus terhadap hasil evaluasi search engine
yang tinggi pula.
6.1 Saran
Menggabungkan informasi teks dan citra dalam identifikasi tumbuhan obat.
menggunakan metode yang lebih baik untuk identifikasi tumbuhan obat berbasis citra.
Serta tambahkan data citra tumbuhan obat dengan kualitas gambar yang lebih baik agar
meningkatkan akurasi.
7 UCAPAN TERIMA KASIH
8 DAFTAR PUSTAKA
[1] Galitz WO. 2007. The Essential Guide to User Interface Design An Introduction to GUI Design Principles and Techniques. Indianapolis: Wiley Publishing.
-
[2] Guo Z, Zhang L, Zhang D. 2010a. A completed modeling of local binary pattern operator for texture classification. IEEE Transactions on Image Processing 19( 6): 1657-1663.
[3] Guo Z, Zhang L, Zhang D. 2010b. Rotation invariant texture classification using LBP variance (LBPV) with global matching. Koowlon: The Hong Kong Polytechnic University.
[4] Herawan Y. 2011. Ekstraksi ciri dokumen tumbuhan obat menggunakan chi-kuadrat dengan klasifikasi nave bayes [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
[5] Kusmana I. 2011. Penggabungan fitur local binary patterns untuk identifikasi citra tumbuhan obat [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
[6] Menp T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu University Press.
[7] Manning CD, Raghavan P, Schutze H. 2008. An Introduction to Information Retrieval. Cambridge: Cambridge University Press.
[8] Ojala T, et al. 2002. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on PAMI 24(7): 2037-2041.
[9] Ridwan A. 2007. Pengukuran usability aplikasi menggunakan evaluasi heuristik. Jurnal Informatika Komputer 12(3): 220-222.
[10] Speckmann B. 2008. The Android Mobile Platform [skripsi]. Michigan: Departement of Computer Science, Eastern Michigan University.
[11] Wells MT. 2011. Mobile Image Processing on the Google Phone with the Android Operating System. http://www.3programmers.com/mwells/documents/pdf/Final Report.pdf [10 Juli 2012].
[12] Wu SG., et al. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. Beijing: Chinese Academy Science.
[13] Zuhud EAM. 2009. Potensi hutan tropika Indonesia sebagai penyangga bahan obat alam untuk kesehatan bangsa. Jurnal Bahan Alam Indonesia 6(6):227-232.