Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang dikompresi merupakan citra dengan nilai ruang warna dasar R=G=B, maka warna dasar akan sama dengan citra awal (Grayscale), dengan nilai pixel berkisar pada 0-255. Bila input citra adalah citra berwarna (nilai R, G, dan B berbeda), maka terlebih dahulu dilakukan proses transformasi ke citra Grayscale. 2 Pada citra Grayscale kemudian dilakukan proses transformasi gelombang yang akan menghasilkan empat komponen matriks yaitu komponen diagonal (CD1), komponen horizontal (CH1), komponen vertical (CV1), dan komponen aproksimasi (CA1) Komponen aproksimasi disimpan ke media penyimpanan agar komponen ini tidak berubah. 3 Pada komponen-komponen hasil transformasi (selain komponen aproksimasi) dilakukan proses kuantisasi. Tujuan proses kuantisasi ini adalah untuk mengurangi jumlah variasi (redundansi) data pada komponen-komponen hasil transformasi selain komponen aproksimasi. 4 Proses terakhir adalah proses pengkodean (kompresi) terhadap komponen-komponen hasil kuantisasi. Hasil pengkodean bersama dengan komponen aproksimasi disimpan sebagai suatu file yang terkompresi. Algoritma Rekonstruksi Wavelet Rekonstruksi wavelet Haar dapat dijelaskan sebagai berikut : 1 Membaca data atau file terkompresi gelombang singkat. 2 Melakukan proses decoding dan dilanjutkan proses kuantisasi balik (de-quantization) untuk mengembalikan data yang sebelumnya dikuantisasi saat proses kompresi. Proses ini akan memperoleh kembali komponen-komponen detail, horizontal, dan vertikal. 3 Menggabungkan seluruh komponen hasil tahap 2 dengan komponen aproksimasi. 4 Melakukan transformasi gelombang singkat balik (invers Wavelet transformation) terhadap komponen-komponen hasil tahap 3. 5 Proses terakhir adalah melakukan proses transformasi linear balik untuk
menghasilkan ruang warna sesuai dengan citra semula sehingga diperoleh kembali citra semula dengan sifat lossy. Klasifikasi Neighbors
Menggunakan
K-Nearest
Setelah melakukan transformasi wavelet kemudian citra aproximasi yang dihasilkan dari transformasi wavelet level 2 direkonstruksi ke citra semula, kemudian citra tersebut akan diklasifikasikan menggunakan K-Nearest Neighbors (K-NN). Konsep dasar dari K-NN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga terdekatnya dalam data pelatihan. Berikut adalah algoritme dari K-NN (Song et al. 2007) : 1 Menentukan nilai K. 2 Menghitung jarak data pada setiap data training dengan eucledian. 3 Mendapatkan K data yang memiliki jarak terdekat. Evaluasi Hasil Klasifikasi Kinerja Model K-NN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Akurasi dapat dihitung dengan persamaan berikut : Akurasi =
∑ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 ∑ 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢
× 100%
(11)
Lingkungan Pengembangan Sistem ini dikembangkan dan diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut : 1 Perangkat Keras : • Intel®coretm 2Duo @ 1.5 GHz (2 CPUs), • Memori 2 GB, • Hard Disk kapasitas 160 GB. 2 Perangkat Lunak : • Windows 7 sebagai sistem operasi, • Matlab 7.7 • Photoshop CS 3 HASIL DAN PEMBAHASAN Penelitian ini mengimplementasikan transformasi wavelet Haar level dua. Hasil dari citra aproximasi transformasi level dua direkontruksi ke citra semula. Citra yang digunakan pada penelitian ini adalah citra dari daun anthurium dan padi dengan tujuh kelas citra, dimana tiap-tiap kelas memiliki 100 buah citra dengan format yang sama yaitu JPEG.
8
Ekstraksi Ciri Tekstur Hasil dari ekstraksi ciri tekstur untuk seluruh citra yang ada di data training adalah sebuah matriks berukuran 560 × 30.000, karena terdapat 560 buah citra di data training, sedangkan dalam data testing terdapat sebuah matriks berukuran 140 x 30.000 dan setiap citra direpresentasikan dengan sebuah vektor yang memiliki elemen sebanyak 1 x 30.000. Dekomposisi Wavelet Haar Pada percobaan ini diterapkan praproses menggunakan dekomposisi wavelet Haar. Data yang digunakan mengalami proses dekomposisi hingga level dua (Gambar 21). Citra hasil dekomposisi yang digunakan pada proses pengenalan penyakit adalah citra aproximasi level dua. Contoh citra untuk tiap level dekomposisi dapat dilihat pada Gambar 22 dan Gambar 23.
dan data anthurium dengan padi. Dalam setiap percobaan perbandingan data latih dan data uji sebesar 80% dan 20%. Semua data latih dan uji melalui tahap dekomposisi wavelet Haar level 2, setelah itu data latih diklasifikasikan sesuai dengan kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan klasifikasi K-NN. Hasil Pengujian Data Anthurium dengan Klasifikasi K-Nearest Neighbors Metode klasifikasi yang digunakan adalah K-NN. Citra latih anthurium yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri wavelet Haar dan klasifikasi KNN dapat dilihat pada Tabel 1 dan Gambar 24. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 75%. Tabel 1 Hasil Data Anthurium dengan K-NN Kelas
K-NN
k=2 k=3 k=4 k=5 k=6 k=7
Gambar 21 Citra Dekomposisi level 2.
∑ Sample
BK 13 18 12 14 12 12 20
∑ Benar BD 16 13 14 12 12 12
DK 16 19 18 19 19 19
20
20
𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱 45 50 44 45 43 43
60
Dengan : BK = Bercak Kuning BD = Bercak Daun DK = Daun Keriting Gambar 22 Citra Dekomposisi Level 1.
Grafik akurasi pengenalan anthurium dari klasifikasi K-NN setiap kelas tanaman anthurium ditunjukkan pada Gambar 24. 100%
Gambar 23 Citra Dekomposisi Level 2. Penelitian ini melibatkan proses ekstraksi ciri terhadap data citra penyakit yang akan dideteksi, yang menghasilkan pola ciri citra penyakit. Ekstraksi citra menggunakan wavelet Haar. Setelah dilakukan proses alihragam berulang kali, menunjukkan wavelet Haar level 2 yang paling baik. Sehingga untuk ekstraksi ciri pada penelitian ini digunakan wavelet Haar level 2.
Identifikasi Penyakit Penelitian ini dilakukan dengan tiga data latih yaitu, data latih anthurium, data latih padi,
Akurasi
80% 60%
BK
40%
BD
20%
DK
0% K=2 K=3 K=4 K=5 K=6 K=7
K Tetangga
Gambar 24 Akurasi Pengenalan Setiap Kelas Anthurium Grafik akurasi pengenalan citra anthurium dengan klasifikasi K-NN, ditunjukkan pada Gambar 25.
9
80%
80%
60%
60%
Akurasi
100%
Akurasi
100%
40%
20%
0%
0% K=3
K=4
K=5
K=6
LE
40%
20%
K=2
SP
TR HD K=2
K=7
K=3
K=4
K=5
K=6
K=7
K Tetangga
K Tetangga
Gambar 25 Akurasi Pengenalan Anthurium.
Gambar 26 Akurasi Setiap Kelas padi
Berdasarkan pada Gambar 25 diperoleh akurasi pengenalan data anthurium untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 75%, 83%, 73%, 75%, 71%, dan 71%. Terlihat bahwa K=3 untuk K tetangga terdekat memperoleh akurasi terbesar mencapai 83%, dengan akurasi penyakit bercak daun 65%, bercak kuning 90%, dan daun keriting 95%.
Grafik akurasi pengenalan citra padi dengan klasifikasi K-NN, ditunjukkan pada Gambar 25.
Hasil Pengujian Data Padi Klasifikasi K-Nearest Neighbors
dengan
Tabel 2 Hasil Data Padi dengan K-NN
K-NN
k=2 k=3 k=4 k=5 k=6 k=7 ∑ Sample
dengan : SP LE TR HD
SP 20 20 20 20 20 20 20
= = = =
∑ Benar
LE 15 13 12 12 12 12 20
TR 18 16 19 17 17 16 20
HD 11 14 12 14 13 13 20
Akurasi
80% 60% 40% 20% 0%
Metode klasifikasi yang digunakan adalah K-NN. Citra latih padi yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri wavelet Haar dan klasifikasi K-NN dapat dilihat pada Tabel 2 dan Gambar 26. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 79%.
Kelas
100%
Jumlah 64 63 63 63 62 61 60
Brown Spot Leaf Blast Tungro Hawar Daun.
Grafik akurasi pengenalan anthurium dari klasifikasi K-NN setiap kelas tanaman anthurium ditunjukkan pada Gambar 26.
K=2
K=3
K=4
K=5
K=6
K=7
K Tetangga
Gambar 27 Akurasi Pengenalan Padi Berdasarkan pada Gambar 27 diperoleh akurasi pengenalan data padi untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 80%, 78.75%, 78.75%, 80%, 77.5%, dan 76.25%. Terlihat bahwa K=2 dan K=5 untuk tetangga terdekat memperoleh akurasi terbesar mencapai 80%, dengan akurasi penyakit Brown Spot 100%, Leaf Blast 75%, Tungro 90%, dan Hawar daun 55% pada K=2, sedangkan akurasi penyakit pada K=5 Brown Spot 100%, Leaf Blast 60%, Tungro 85%, dan Hawar daun 70%. Hasil Pengujian Data Anturium dan Padi dengan Klasifikasi K-Nearest Neighbors Metode klasifikasi yang digunakan adalah K-NN. Citra latih tanaman anthurium dan padi yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri Wavelet Haar dan klasifikasi K-NN dapat dilihat pada Tabel 3 dan Gambar 28. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 71%.
10
Tabel 3 Hasil Data Tanaman Anthurium dan Padi dengan K-NN
BK
BD
DK
∑ Benar SP
LE
TR
HD
k=2 k=3 k=4 k=5 k=6 k=7
13 15 16 12 14 12
16 13 13 13 13 12
14 15 16 17 16 16
19 19 19 20 20 20
10 11 11 11 13 9
14 13 18 15 15 13
13 13 10 12 12 13
99 99 103 100 103 95
∑ Sample
20
20
20
20
20
20
20
140
K-NN
Kelas
Jumlah
100% BK
Akurasi
80%
BD
60%
DK SP
40%
LE
20%
TR
0%
HD K=2
K=3
K=4
K=5
K Tetangga
K=6
K=7
Gambar 28 Akurasi pengenalan Tanaman Anthurium dan Padi Grafik akurasi kebenaran dari klasifikasi KNN tanaman anthurium dan padi, yaitu seperti yang ditunjukkan pada Gambar 25. 100%
Blast 55%, Tungro 90%, dan Hawar daun 50%. Terliahat pada hasil pengenalan tersebut dengan K tetangga terdekat K=4 Untuk penyakit Leaf Blast dan tungro memiliki akurasi yang cukup rendah yaitu di bawah 60% sehingga sangat mempengaruhi hasil akhir dari akurasi.
80%
Akurasi
Perbandingan Ketiga Jenis Data Latih 60% 40% 20% 0% K=2
K=3
K=4
K=5
K=6
K=7
K Tetangga Gambar 29 Grafik Rasio Pengenalan Anturium dengan Padi. Berdasarkan pada Gambar 29 diperoleh akurasi pengenalan data tanaman anthurium dan padi untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 70%, 71.4%, 72.8%, 71.4%, 71.4%, dan 68.5%. Terlihat bahwa K=4 untuk K tetangga terdekat memperoleh akurasi terbesar mencapai 72.8%, dengan akurasi penyakit bercak daun 80%, bercak kuning 65%, daun keriting 80%, Brown Spot 95%, Leaf
Dari ketiga jenis data latih yaitu, data latih anthurium, data latih padi, dan data anthurium dengan padi secara garis besar menyatakan hasil akurasi identifikasi penyakit menggunakan wavelet dan klasifikasi K-Nearest Neighbors bahwa data latih menggunakan anthurium lebih baik dibandingkan dengan data latih padi maupun data latih anthurium dengan padi, hal ini dikarenakan citra uji di luar citra latih tergantung pada jarak terdekat dan jumlah anggota kelas yang terbanyak pada basis data. Berdasarkan Gambar 30 terlihat bahwa hasil akurasi dengan wavelet dengan klaifikasi KNearest Neighbors memiliki akurasi yang cukup baik dengan data latih anthurium, padi dan gabungan anthurium dan padi yang mencapai akurasi lebih dari 70%.
11
100%
83%
80%
Akurasi
80%
72.80%
60% 40%
1 Basis wavelet yang digunakan pada penelitian hanya wavelet Haar. Pengembangan selanjutnya dapat dilakukan perbandingan dengan basis wavelet yang lain seperti Coiflets, Symlets, Biortogona, dan Daubechies. 2 Menambahkan jumlah data citra yang lebih banyak dengan berbagai variasi tanaman sebagai koleksi data untuk data training.
20% 0% Anthurium
Padi
Tanaman
Anthurium & Padi
Gambar 30 Perbandingan Hasil Akurasi Pada klasifikasi K-Nearest Neighbors dengan data uji anthurium, padi, dan gabungan antara anthurium dengan padi semakin besar nilai k yang diambil, maka semakin besar pula kesalahan klasifikasi yang terjadi. Hal ini dikarenakan semakin besar nilai k, maka daerah batas keputusan juga semakin lebar. Semakin lebar daerah batas keputusan, maka kemungkinan terjadi kesalahan semakin tinggi.
KESIMPULAN DAN SARAN Kesimpulan Berdasarkan penelitian yang telah dilakukan mulai dari tahap perancangan hingga pengujian yang dilakukan pada sistem pengolahan citra untuk mendeteksi penyakit pada daun anthurium dan padi, maka dapat diambil kesimpulan sebagai berikut : 1 Rancangan sistem identifikasi penyakit padi dan anthurium menggunakan wavelet dengan klasifikasi K-Nearest Neighbors (KNN) bekerja dengan baik walaupun terjadi beberapa kesalahan dalam pengenalan. 2 Akurasi pengenalan citra penyakit anthurium dan padi dengan menggunakan K-Nearest Neighbors menghasilkan tingkat keakurasian sebesar 72.8%. 3 Proses dekomposisi wavelet Haar penghitungannya sederhana, sehingga mudah dimengerti, karena kesederhanaannya ini juga waktu komputasi menjadi lebih cepat. Kesederhanaan dan kemudahan dalam proses penghitungan itulah yang menjadi keunggulan dari induk wavelet Haar. Saran Pengembangan yang dapat dilakukan pada penelitian ini antara lain :
3 Perlu dilakukan penelitian untuk perbandingan hasil klasifikasi dengan menggunakan metode klasifikasi yang lain.
DAFTAR PUSTAKA Clifford John. 2006. Euclidean Distance Matrix. http://www.stanford.edu/~dattorro/ (Akses : 14 desember 2010). Fatihagriculture. 2007. Budidaya Anthurium. http://fatihagricultureblora.com (Akses : 15 Januari 2010). Gonzalez RC et al. 2004. Digital Image Processing Using Matlab. New Jersey : Pearson Prentice Hall. Gu Xiao et al. 2005. Leaf Recognition Based on The Combination of Wavelet Transform and Coussian Interpolation. China: Department of Automation, University of Science and Technology. Haryanti Rivai. 2005. Pengenalan ciri-ciri tekstur kecacatan kain sutera dengan menggunakan metode gaussian markov random field dengan klasifikasi SOM Kohonen, ITS, Surabaya. Jones C.L et al. 1999. Wavelet packet Computation of the Hurst Exponent. Swinburne University of Technology, Australia. Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea: Department of Applied Physics and Electronics, Umea Univercity. Putra Darma. 2010, Pengenalan Citra Digital. Yogyakarta : C.V Andi Offset. Song Y et al. 2007, “IKNN: Informative KNearest Neighbor Pattern Classification”, pringer-Verlag Berlin Heidelberg. Stollnitz Eric J et al. 1995. Wavelet for Computer Graphics: A Primer Part 2. University of Washington. http://grail.cs.washington.edu/projects/wave
12
