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, desta.sandya@gmail.com

2 Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, yeniherdiyeni@gmail.com

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.