APLIKASI BAGAN WARNA DAUN UNTUK OPTIMASI PEMUPUKAN TANAMAN PADI MENGGUNAKAN K-NEAREST NEIGHBOR
EDWIN SATYALESMANA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2013 Edwin Satyalesmana NIM G64104028
ABSTRAK EDWIN. Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor. Dibimbing oleh SONY HARTONO WIJAYA. Warna daun padi sangat erat kaitannya dengan tingkat kecukupan pupuk nitrogen (N) dalam tanah. Gejala kekurangan N yang paling jelas dan biasa terlihat adalah berkurangnya warna hijau dari dedaunan. Pada penelitian ini dikembangkan aplikasi mobile untuk mengidentifikasi warna daun padi dalam menentukan takaran pupuk yang tepat. Aplikasi dibangun menggunakan fitur histogram dari komponen warna Red, Green, Blue pada model warna RGB dan komponen warna Hue, Saturation Value pada model warna HSV, serta model warna grayscale. Metode klasifikasi yang digunakan adalah metode klasifikasi kNearest Neighbor (k-NN). Penelitian ini menghasilkan akurasi rata-rata tertinggi 90,63% pada komponen warna G (green), V (Value) dan grayscale. Pada metote klasifikasi, k-NN menghasilkan akurasi rata-rata tertinggi 72,62% pada nilai k sama dengan 3. Kata kunci: Android, grayscale, histogram, HSV, identifikasi warna, k-Nearest Neighbor, RGB
ABSTRACT EDWIN. Application of Leaf Color Chart for the Opimization of Rice Plants Fertilization Using k-Nearest Neighbor. Supervised by SONY HARTONO WIJAYA. The leaf color of rice is closely associated with the adequacy of nitrogen (N) level of the ground. N deficiency symptoms that are most obvious and commonly seen is the reduction of green color of the leaf. This research developed a mobile application to identify the color of rice leaf and to determine the appropriate fertilizer. The application was built by using the histogram feature of several color components namely Red, Green, Blue in the RGB color space, Hue, Saturation Value in the HSV color space, and grayscale. K-Nearest Neighbor was choosen as the classification method. This research showed the highest average accuracy of 90.63% on the G (green), V (Value) and grayscale color component. The k-NN classification method produced the highest average accuracy of 72.62% when the value of k is equal to 3. Keywords: Android, grayscale, histogram, HSV, color identification, k-Nearest Neighbor, RGB
APLIKASI BAGAN WARNA DAUN UNTUK OPTIMASI PEMUPUKAN TANAMAN PADI MENGGUNAKAN K-NEAREST NEIGHBOR
EDWIN SATYALESMANA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
Judul Skripsi : Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor Nama : Edwin Satyalesmana NIM : G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Penguji: 1. Aziz Kustiyo, SSi MKom 2. Toto Haryanto, SKom MSi
Judul Skripsi: Aplikasi Bagan Wama Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor : Edwin Satyalesmana Nama NIM : G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Tanggal Lulus:
1 9 AUG i011
Judul Skripsi : Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor Nama : Edwin Satyalesmana NIM : G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji syukur penulis panjatkan kepada Allah Subhanahu wa taβala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam penulis sampaikan kepada Nabi Muhammad Shalallahu βalaihi wassalam. Penyusunan skripsi yang mengambil tema Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor ini tidak lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan terima kasih kepada: 1 Kedua orang tua tercinta, Bapak Kuslan Surakusumah, dan Ibu Sulastri Kuslan beserta Keluarga yang selalu memberikan doa dan dukungan moral. 2 Istri tercinta, Indah Dwi Nastiti dan kedua anak tersayang, Dzikri Lesmana Putra dan Nastiasya Lesmana Putri yang selalu memberikan doa, inspirasi dan motivasi. 3 Bapak Sony Hartono Wijaya, SKom MKom selaku dosen pembimbing yang selalu sabar dalam memberikan ilmu dan bimbingan selama penyelesaian skripsi. 4 Toto Haryanto, SKom MSi dan Bapak Aziz Kustiyo, SSi MKom sebagai dosen penguji atas segala kritik, masukan dan saran yang diberikan kepada penulis terhadap penelitian ini. 5 Bapak Prof Dr Zulkifli Zaini, MS dari International Rice Research Institut (IRRI) dan Bapak Dr Sarlan Abdurahman dari Balai Besar Penelitian Tanaman Padi (BBPADI) yang telah membantu dalam memperoleh data dan sumber informasi. 6 Dedi Kiswanto, Rizkina Muhammad Syam, Desta Sandya dan teman-teman Ekstensi Ilkom atas pengalaman berbagi ilmu, kebersamaan dan dukungannya selama menjalani studi di Departemen Ilmu Komputer IPB. 7 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah banyak membantu baik selama masa perkuliahan maupun pada saat penelitian. Dan semua pihak yang telah banyak memberikan kontribusi yang besar dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu. Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2013 Edwin Satyalesmana
DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN PENDAHULUAN
vi vi vi 1
Latar Belakang Masalah Tujuan Penelitian Manfaat Ruang Lingkup TINJAUAN PUSTAKA
1 2 2 2 2
Content-based image retrieval (CBIR) Model warna Histogram warna Jarak histogram Metode Klasifikasi k-Nearest Neighbor Android Confusion Matrix METODE
2 2 4 4 5 5 6 6
Akuisisi citra Pembagian data Praproses Ekstraksi warna Pembuatan histogram Klasifikasi Perhitungan akurasi Pengembangan sistem Lingkungan pengembangan HASIL DAN PEMBAHASAN
7 7 7 7 8 8 8 8 9 9
Hasil Pembahasan SIMPULAN DAN SARAN
10 12 15
Simpulan Saran DAFTAR PUSTAKA
15 15 15
LAMPIRAN
17
RIWAYAT HIDUP
33
DAFTAR TABEL 1 2 3 4 5 6 7
Contoh tabel Confusion Matrix Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=1 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=3 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=5 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=7 Perbandingan nilai akurasi rata-rata untuk setiap komponen warna dan setiap nilai k Perbandingan dengan hasil penelitian terkait
6 10 11 11 11 12 14
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9
Bagan Warna Daun dan Digital Leaf Color Chart Model warna RGB dan model warna HSV Histogram warna Komponen sistem operasi Android (Speckmann 2008) Metode klasifikasi k-Nearest Neighbor Metode Penelitian Representasi citra pada histogram warna RGB, HSV dan Grayscale Perbandingan akurasi rata-rata untuk setiap komponen warna Perbandingan akurasi rata-rata untuk setiap nilai k
1 3 4 5 5 6 10 13 13
DAFTAR LAMPIRAN 1 2 3 4 5 6
Citra daun Confusion matrix dengan nilai k=1 Confusion matrix dengan nilai k=3 Confusion matrix dengan nilai k=5 Confusion matrix dengan nilai k=7 Screenshoot aplikasi
19 23 25 27 29 31
1
PENDAHULUAN Latar Belakang Masalah Pertumbuhan tanaman padi yang baik dengan hasil tinggi membutuhkan suplai nitrogen (N) yang cukup. Gejala kekurangan N yang paling jelas dan biasa terlihat adalah berkurangnya warna hijau dari dedaunan (chlorosis). Daun menjadi lebih pucat, menguning, dan pada kondisi kekurangan N yang gawat akan menjadi mati. Menurut Furuya (1987), warna daun paling baik menunjukkan status nutrisi tanaman. Pemakaian Bagan Warna Daun (BWD) dalam kegiatan pemupukan N dilakukan dengan mengukur tingkat kemiripan warna daun padi sesuai dengan skala warna pada BWD (Gambar 1 (a)) untuk mengetahui takaran pupuk urea yang tepat. Pemakaian BWD dapat menghemat penggunaan pupuk urea sebanyak 15-20% dari takaran yang umum digunakan petani tanpa mengurangi hasil (Balai Besar Penelitian Tanaman Padi 2007). Permasalahan yang muncul kemudian adalah adanya perbedaan persepsi visual setiap manusia dalam menentukan kemiripan warna, sehingga pada tahun 2012 telah dibuat BWD versi digital yaitu Digital Leaf Colour Chart (Gambar 1 (b)), namun harga alat tersebut masih relatif mahal yaitu berkisar Rp. 950.000,- (Wedhaswary 2012), jauh lebih mahal jika dibandingkan dengan BWD yang dijual dengan harga Rp. 20.000,- di kantor perwakilan International Rice Research Institute (IRRI), di Indonesia.
(a) (b) Gambar 1 Bagan warna daun (a), dan Digital leaf color chart (b) Perkembangan teknologi pada perangkat ponsel dengan sistem operasi Android mendorong para pengembang untuk menciptakan berbagai aplikasi yang dapat mendukung aktivitas dan pekerjaan sehari-hari. Menurut data yang dilansir International Data Corporation (IDC), sampai dengan kuartal kedua tahun 2012 sistem operasi Android menguasai sekitar 52% dari total sistem operasi smartphone yang dipakai di Indonesia (Wahyudi 2012). Pada sistem temu kembali citra berbasis konten, pencarian yang paling mudah dan efisien adalah yang berbasis warna (Sergyan 2008). Menurut Boiman et al. (2008) metode klasifikasi k-Nearest Neighbor (k-NN) sangat sederhana, efisien dan kinerjanya sangat baik dalam klasifikasi citra. Berdasarkan hal tersebut, maka pada penelitian ini akan dibuat aplikasi mobile Bagan Warna Daun pada ponsel dengan sistem operasi Android untuk mengidentifikasi skala warna daun padi berdasarkan BWD menggunakan fitur warna dengan metode klasifikasi k-NN.
2 Tujuan Penelitian Tujuan penelitian ini adalah mengimplementasikan dan menganalisis kinerja metode ekstraksi fitur warna RGB, HSV dan grayscale, menggunakan metode klasifikasi k-Nearest Neighbor dalam mengidentifikasi skala warna pada daun padi berdasarkan BWD.
Manfaat Manfaat dari penelitian ini diharapkan dapat membantu penyuluh, petani dan pengguna pada umumnya dalam mengidentifikasi skala warna daun padi berdasarkan BWD dalam menentukan takaran pupuk nitrogen (N) yang tepat.
Ruang Lingkup Ruang lingkup penelitian adalah sebagai berikut: Data citra daun padi yang digunakan diakuisisi langsung dari tanaman padi, yang berdasarkan persepsi visual mata memiliki kemiripan warna dengan masing-masing skala warna pada BWD. 2 Bagan Warna Daun yang digunakan memiliki 4 skala warna. 3 Data yang digunakan sebanyak 20 data citra untuk tiap skala warna (4 skala warna), dengan ukuran citra 2560 Γ 1920 piksel dan diakuisisi dengan menggunakan kamera ponsel 5 megapiksel.
1
TINJAUAN PUSTAKA Content-based image retrieval (CBIR) Content-based image retrieval (CBIR) adalah suatu aplikasi computer vision yang digunakan untuk melakukan identifikasi citra digital. CBIR merupakan suatu pendekatan pada temu kembali citra yang didasarkan pada ciri atau informasi yang terkandung di dalam citra, seperti warna, bentuk dan tekstur (Rodrigues dan Araujo 2004). Ciri atau fitur dari citra tersebut kemudian diukur tingkat kemiripannya dengan menggunakan metode klasifikasi.
Model warna Dasar asumsi di dalam teori colorimetry modern yang diaplikasikan ke dalam pengolahan citra, suatu warna didasarkan pada perbedaan eksitasi dari 3 penerima cahaya di dalam retina. Ketiga warna tersebut adalah merah, hijau dan biru (red, green, dan blue, atau sering disingkat RGB) yang akan menentukan warna dari suatu obyek (Ford dan Roberts 1998).
3 Di dalam model warna RGB, suatu warna dapat didefinisikan berdasarkan tingkat intensitas dari komponen merah, hijau dan biru. Ketiga komponen tersebut dapat digambarkan sebagai koordinat 2 dimensi yang berbentuk kubus yang didalamnya juga mengandung informasi mengenai derajat keabuan atau grayscale (Gambar 2 (a)). Sedangkan model warna HSV didasarkan pada tiga persepsi manusia tentang warna, yaitu hue (keragaman warna), saturation (kejenuhan), dan brightness (kecerahan) atau sering disebut juga dengan istilah value (Gambar 2 (b)).
(a) (b) Gambar 2 Model warna RGB (a), dan model warna HSV (b) Proses konversi dari model warna RGB menjadi HSV (Acharya dan Ray 2005) menggunakan rumus:
π
π
πΊπΊ π΅π΅ ; πΊπΊ = ; π΅π΅ = 255 255 255 ππ = ππππππ 0 , ππππ β = 0 ππ = οΏ½ β , ππππ β <> 0 ππππππ πΊπΊ β π΅π΅ β§ 60 , ππππππππ max = π
π
β βͺ π΅π΅ β π
π
π»π» = 120 + 60 , ππππππππ max = πΊπΊ β β¨ π
π
β πΊπΊ βͺ β© 240 + 60 β , ππππππππ max = π΅π΅ π»π» = π»π» + 360, ππππ π»π» < 0 π
π
=
Proses konversi dari model warna RGB ke model warna grayscale menghasikan 1 komponen (channel) warna, (Rabbani dan Jones 1991) menggunakan rumus: ππππππππππππππππππ = 0,2999 β π
π
+ 0,587 β πΊπΊ + 0,114 β π΅π΅
dengan: R G B H S V max min
= nilai piksel R (Red) = nilai piksel G (Green) = nilai piksel B (Blue) = nilai piksel H (Hue) = nilai piksel S (Saturation) = nilai piksel V (Value) = max(R, G, B) = min(R, G, B) β = max β min grayscale = nilai piksel grayscale
4 Histogram warna Histogram adalah representasi dari frekuensi kemunculan setiap nilai warna (Acharya dan Ray 2005). Histogram warna merupakan fitur warna yang paling banyak digunakan karena sangat efektif mengkarakterisasikan distribusi global dari warna dalam sebuah citra digital. Suatu citra A dengan ukuran panjang 60 piksel dan lebar 60 piksel akan menghasilkan sebanyak 3.600 nilai piksel yang merupakan hasil dari panjang dikali lebar, mulai dari piksel baris ke-1, kolom ke-1 sampai dengan piksel baris ke-60, kolom ke-60. Nilai dari masing-masing piksel tersebut memiliki rentang antara 0 sampai dengan 255. Frekuensi kemunculan setiap nilai piksel tersebut kemudian direpresentasikan ke dalam sebuah histogram yang memiliki rentang antara 0 sampai dengan 255. Jika dijumlahkan keseluruhan nilai dari histogram tersebut hasilnya adalah 3.600 sesuai dengan jumlah piksel dari ukuran citra. Contoh histogram warna dapat dilihat pada (Gambar 3).
Gambar 3 Histogram warna Jarak histogram Untuk menghitung jarak antara histogram A dan histogram B dapat menggunakan rumus jarak Euclidean (Gonzales 1987): ππ
ππ (π΄π΄, π΅π΅) = οΏ½οΏ½(π»π»πππ΄π΄ β π»π»πππ΅π΅ )2 ππ =1
dengan: π»π»πππ΄π΄ = histogram A, Indeks array ke j π΅π΅ π»π»ππ = histogram B, Indeks array ke j n = panjang/rentang histogram
5 Metode Klasifikasi k-Nearest Neighbor Konsep dasar dari metode k-NN adalah mencari jarak terdekat antara data uji dengan sejumlah k tetangga terdekat dalam data latih (Gambar 4). Berikut algoritma k-NN (Song et al. 2007) : 1 Menentukan nilai k 2 Menghitung jarak antara data uji dengan setiap data latih 3 Mendapatkan k data yang memiliki jarak terdekat 4 Dari k data yang memiliki jarak terdekat, diperoleh kelas yang paling banyak muncul 5 Kelas yang paling banyak muncul ditentukan sebagai kelas dari data uji.
Gambar 4 Metode klasifikasi k-Nearest Neighbor Android Sistem Operasi Android adalah sebuah sistem operasi yang ditujukan untuk perangkat mobile seperti SmartPhone dan Tablet yang berbasis linux. Android menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi mereka sendiri untuk digunakan oleh bermacam perangkat mobile. Berikut adalah diagram komponen utama dari sistem operasi Android (Gambar 5).
Gambar 5 Komponen sistem operasi Android (Speckmann 2008)
6 Confusion Matrix Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Contoh confusion matrix dapat dilihat pada Tabel 1. Tabel 1 Contoh tabel Confusion Matrix Masukan Skala 1 Skala 2 Skala 3 Skala 4
Target Kelas 2 K12 K22 K32 K42
Kelas 1 K11 K21 K31 K41
Kelas 3 K13 K23 K33 K43
Kelas 4 K14 K24 K34 K44
METODE Penelitian ini dilakukan dalam lima tahap, yaitu: akuisisi, praproses, ekstraksi, klasifikasi, dan evaluasi, seperti yang dapat dilihat pada Gambar 6. Mulai
Akuisisi citra
Data uji
Data latih
Praproses
Praproses
Ekstraksi
Ekstraksi
Klasifikasi
Model klasifikasi
Hasil
Evaluasi
Selesai
Gambar 6 Metode penelitian
7 Akuisisi citra Akuisisi citra daun padi dilakukan di sekitar areal Kebun Percobaan Badan Litbang Pertanian di Citayam Depok untuk memperoleh sebanyak 20 data citra daun padi untuk masing-masing skala warna (4 skala warna) sehingga jumlah seluruhnya sebanyak 80 data citra. Berdasarkan petunjuk dari Prof Dr Zulkifli Zaini, MS, Peneliti dari International Rice Research Institute (IRRI) dan Dr Sarlan Abdurahman, Peneliti dari Balai Besar Penelitian Tanaman Padi (BBPADI), daun padi yang akan digunakan pada penelitian ini adalah daun padi yang berdasarkan persepsi visual mata memiliki kemiripan warna dengan masingmasing skala warna pada BWD, untuk kemudian difoto menggunakan kamera ponsel. Tanaman padi yang difoto berusia lebih dari 21 hari setelah masa tanam (HST), dengan memperhatikan beberapa aspek teknis sebagai berikut: 1 Dilakukan pada cuaca cerah saat pagi sampai dengan menjelang siang antara pukul 08.00 sampai dengan pukul 11.00 2 Menggunakan kamera ponsel 5 megapiksel (2560 Γ 1920) 3 Menggunakan kertas HVS putih polos sebagai latar belakang 4 Tanpa menggunakan flashlight 5 Jarak antara objek daun dan kamera adalah 5-10 cm 6 Objek daun berada tepat di tengah citra yang akan difoto 7 Posisi kamera membelakangi matahari.
Pembagian data Data citra yang diperoleh dari tahap akuisisi yang berjumlah 80 data citra, kemudian dibagi secara acak menjadi data latih sebanyak 70% atau 56 data untuk selanjutnya digunakan dalam pembentukan model klasifikasi dan untuk data uji sebanyak 30% atau 24 data yang digunakan pada proses pengujian menggunakan ponsel. Praproses Untuk menghilangkan bagian citra yang tidak akan diproses, maka dilakukan pemotongan dengan teknik cropping untuk mengambil hanya bagian tengah citra dengan ukuran 60x60 piksel, sehingga akan dihasilkan sebanyak 3.600 nilai piksel untuk satu citra. Tahap praproses data latih dilakukan di web server untuk menghasilkan model klasifikasi yang akan digunakan pada saat implementasi di aplikasi mobile sedangkan tahap praproses untuk data uji dilakukan di ponsel pada saat pengujian.
Ekstraksi warna Tahap ekstraksi warna pada penelitian ini adalah dengan mengambil nilai komponen warna (channel) pada setiap data citra yang telah melalui tahap praproses. Citra yang diperoleh pada proses akuisisi adalah citra dengan model
8 warna RGB, sehingga untuk mendapatkan representasi komponen warna Red, Green dan Blue dapat dilakukan ekstraksi secara langsung. Untuk memperoleh representasi data dengan model warna HSV diperlukan tahap konversi dari model warna RGB menjadi model warna HSV untuk kemudian dilakukan ekstraksi dari tiap-tiap komponen Hue, Saturation dan Value. Untuk memperoleh representasi data dengan model warna grayscale, diperlukan tahap konversi dari model warna RGB menjadi model warna grayscale.
Pembuatan histogram Dalam pembuatan histogram, nilai dari tiap-tiap piksel yang berjumlah 3.600 piksel untuk satu data citra, direpresentasikan ke dalam bentuk histogram dengan rentang nilai antara 0-255. Sehingga untuk model klasifikasi yang akan dihasilkan, berupa himpunan histogram yang terdiri atas 56 histogram, sesuai dengan jumlah data latih yang digunakan. Sedangkan untuk data uji direpresentasikan dalam sebuah histogram, yang kemudian akan dihitung jaraknya dengan masing-masing histogram pada model klasifikasi.
Klasifikasi Tahap klasifikasi dilakukan sebanyak 24 kali sesuai dengan jumlah data uji. Metode klasifikasi yang digunakan adalah k-NN, dengan cara menghitung jarak histogram warna dari citra daun padi sebagai data uji dengan setiap 56 histogram warna sebagai data latih yang terdapat pada model klasifikasi menggunakan rumus jarak Euclidean. Setelah diperoleh sebanyak k data yang memiliki jarak terdekat, kemudian diketahui kelas yang paling banyak muncul, kelas tersebut adalah kelas dari data uji. Percobaan pada k-NN dilakukan dengan menggunakan nilai k sama dengan 1, 3, 5 dan 7.
Perhitungan akurasi Evaluasi hasil klasifikasi dilakukan dengan cara menghitung tingkat akurasi menggunakan rumus sebagai berikut: π΄π΄π΄π΄π΄π΄π΄π΄π΄π΄π΄π΄π΄π΄ =
β ππππππππ π’π’π’π’π’π’ ππππππππππ ππππππππππππππππππππππππππππππππ π₯π₯100% β ππππππππ π’π’π’π’π’π’
Secara keseluruhan, representasi dari evaluasi tingkat akurasi akan dituangkan dalam tabel confusion matrix.
Pengembangan sistem Rancang bangun sistem aplikasi mobile Bagan Warna Daun akan dibagi menjadi 2 subsistem sebagai berikut:
9 1
Web server Bagan Warna Daun Data latih hasil dari tahap akuisisi diunggah ke web server BWD, kemudian dilakukan tahap praproses (cropping) dan selanjutnya melalui proses ekstraksi fitur (histogram warna). Proses tersebut dilakukan secara otomatis sehingga dihasilkan model klasifikasi berupa file .txt yang berisi 56 histogram warna dari data latih. 2 Aplikasi mobile Bagan Warna Daun (mBWD) Model klasifikasi yang berupa file .txt yang diperoleh dari web server kemudian disalin ke dalam perangkat lunak yang digunakan untuk membuat aplikasi mBWD. Pada saat aplikasi mBWD dijalankan maka secara otomatis data uji akan melalui tahapan praproses (cropping), ekstraksi fitur (histogram warna), dan klasifikasi k-NN dengan menghitung jarak antara data uji dengan model klasifikasi pada file .txt menggunakan rumus jarak Euclidean. Seluruh proses pada aplikasi mBWD dilakukan secara offline.
Lingkungan pengembangan Lingkungan pengembangan yang digunakan pada penelitian ini memiliki spesifikasi sebagai berikut: Perangkat keras: 1 Processor Intel Pentium(R) Dual-Core T4400 @ 2,20 GHz. 2 Memory RAM dengan kapasitas 1.00 GB 3 Harddisk dengan kapasitas 150 GB 4 Perangkat ponsel, CPU 800MHz, 158 MB internal storage, 278 MB RAM Perangkat lunak: 1 Sistem operasi Windows 7 Ultimate. 2 Sistem operasi Android Gingerbread versi 2.3.4 3 Eclipse indigo service release 2 4 Emulator Android Virtual Device Manager (AVD Manager) 5 Dreamweaver CS 5.5 6 XAMPP for Windows Version 1.7.3
HASIL DAN PEMBAHASAN Akuisisi citra menghasilkan sebanyak 20 data citra untuk tiap skala warna (4 skala warna) sehingga jumlah seluruhnya sebanyak 80 data citra (Lampiran 1), kemudian dibagi menjadi data latih sebanyak 70% atau 14 data citra untuk tiap skala warna dan data uji sebanyak 30% atau 6 data citra untuk tiap skala warna sehingga total seluruhnya berjumlah 56 data citra untuk data latih dan 24 data citra untuk data uji. Tahap praproses dilakukan dengan teknik cropping untuk mengambil hanya bagian tengah citra dengan ukuran 60x60 piksel. Tahap ekstraksi fitur dilakukan dengan mengambil nilai komponen warna (channel) pada setiap data citra yaitu komponen R, G dan B pada model warna RGB, komponen H, S dan V pada model warna HSV dan komponen grey pada
10 model warna grayscale. Model warna HSV dan grayscale diperoleh setelah dilakukan konversi dari model warna RGB menjadi model warna HSV dan dari model warna RGB menjadi model warna grayscale. Setiap citra memiliki 3.600 piksel yang tiap pikselnya memiliki nilai dengan rentang antara 0-255. Frekuensi kemunculan setiap nilai piksel direspresentasikan pada histogram warna. Contoh representasi citra pada model warna RGB, HSV dan grayscale, dalam bentuk histogram warna dapat dilihat pada Gambar 7.
Red
Green
Blue
Hue
Saturation
Value
Grey
Gambar 7 Representasi citra pada histogram warna RGB, HSV dan Grayscale
Hasil Seluruh data latih diunggah ke server BWD yang telah dibuat (Lampiran 6). Untuk tahap pengujian dilakukan pada perangkat mobile dengan menggunakan aplikasi mBWD yang telah dibuat (Lampiran 7). Seluruh data hasil pengujian direkam dalam confusion matrix (Lampiran 2-5) dan direpresentasikan ke dalam beberapa tabel 2-6. k-NN dengan nilai k=1 Perbandingan nilai akurasi dengan nilai k=1 untuk komponen warna R, G, B, H, S, V dan grayscale dapat dilihat pada Tabel 2-5 sebagai berikut: Tabel 2 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=1 Komponen Warna R G B H S V Grayscale
2 100,00 100,00 66,67 0,00 83,33 100,00 100,00
Akurasi tiap skala warna BWD (%) 3 4 5 83,33 66,67 83,33 66,67 83,33 100,00 50,00 50,00 16,67 100,00 0,00 16,67 100,00 16,67 100,00 66,67 83,33 100,00 83,33 83,33 100,00
Akurasi (%) 83,33 87,50 45,83 29,17 75,00 87,50 91,67
Dari Tabel 2 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen warna grayscale yaitu sebesar 91,67%.
11 k-NN dengan nilai k=3 Perbandingan nilai akurasi dengan nilai k=3 untuk komponen warna R, G, B, H, S, V dan grayscale dapat dilihat pada Tabel 2. Tabel 3 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=3 Komponen Warna R G B H S V Grayscale
2 100,00 100,00 66,67 0,00 16,67 100,00 100,00
Akurasi tiap skala warna BWD (%) 3 4 5 83,33 50,00 100,00 83,33 83,33 100,00 100,00 66,67 16,67 100,00 0,00 16,67 100,00 33,33 100,00 83,33 83,33 100,00 83,33 83,33 83,33
Akurasi (%) 83,33 91,67 62,50 29,17 62,50 91,67 87,50
Dari Tabel 3 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen warna G dan V yaitu sebesar 91,67%. k-NN dengan nilai k=5 Perbandingan nilai akurasi dengan nilai k=5 untuk komponen warna R, G, B, H, S, V dan grayscale dapat dilihat pada Tabel 3. Tabel 4 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=5 Komponen Warna R G B H S V Grayscale
2 100,00 100,00 66,67 0,00 0,00 100,00 100,00
Akurasi tiap skala warna BWD (%) 3 4 5 83,33 66,67 100,00 83,33 83,33 100,00 100,00 66,67 16,67 0,00 0,00 50,00 100,00 16,67 100,00 83,33 83,33 100,00 83,33 83,33 100,00
Akurasi (%) 87,50 91,67 62,50 12,50 54,17 91,67 91,67
Dari Tabel 4 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen warna G, V, grayscale yaitu sebesar 91,67%. k-NN dengan nilai k=7 Perbandingan nilai akurasi dengan nilai k=7 untuk komponen warna R, G, B, H, S, V dan grayscale dapat dilihat pada Tabel 4. Tabel 5 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan grayscale dengan nilai k=7 Komponen Warna R G B H S V Grayscale
2 100,00 100,00 66,67 0,00 0,00 100,00 100,00
Akurasi tiap skala warna BWD (%) 3 4 5 83,33 16,67 100,00 83,33 83,33 100,00 100,00 50,00 16,67 16,67 0,00 16,67 100,00 33,33 100,00 83,33 83,33 100,00 83,33 83,33 100,00
Akurasi (%) 75,00 91,67 58,33 8,33 58,33 91,67 91,67
Dari Tabel 5 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen warna G, V, dan grayscale yaitu sebesar 91,67%.
12 Pembahasan Dari keempat percobaan klasifikasi menggunakan metode k-NN dengan nilai k sama dengan 1, 3, 5 dan 7 pada komponen warna R, G, B, H, S, V dan grayscale, pada Tabel 5 dapat dilihat perbandingan nilai akurasi untuk tiap komponen warna dan untuk tiap nilai k. Tabel 6 Perbandingan nilai akurasi rata-rata untuk setiap komponen warna dan setiap nilai k Komponen Warna R G B H S V Grayscale Rata-rata tiap nilai k
1 83,33 87,50 45,83 29,17 75,00 87,50 91,67 70,83
Akurasi tiap nilai k pada k-NN (%) 3 5 7 83,33 87,50 75,00 91,67 91,67 91,67 62,50 62,50 58,33 29,17 12,50 8,33 62,50 54,17 83,33 91,67 91,67 91,67 87,50 91,67 91,67 70,83 69,04 72,62
Akurasi Rata-rata (%) 82,29 90,63 57,29 19,79 62,50 90,63 90,63
Dari Tabel 6 menunjukkan bahwa nilai akurasi tertinggi mencapai 91,67 pada beberapa kondisi sebagai berikut: 1 Komponen warna grayscale pada nilai k sama dengan 1 2 Komponen warna G dan V pada nilai k sama dengan 3 3 Komponen warna G, V dan grayscale pada nilai k sama dengan 5 4 Komponen warna G, V dan grayscale pada nilai k sama dengan 7 Dari beberapa kondisi tersebut di atas, kondisi yang paling efisien pada saat implementasi adalah sebagai berikut: 1 Menggunakan komponen warna grayscale pada nilai k sama dengan 1 karena dengan nilai k sama dengan 1 dapat mengurangi proses klasifikasi k-NN 2 Menggunakan komponen warna G pada nilai k sama dengan 3, karena komponen warna G diperoleh tanpa melalui proses konversi. Adapun secara keseluruhan nilai akurasi rata-rata tertinggi terdapat pada komponen warna G, V, dan grayscale yaitu mencapai 90,63% (Gambar 8). Tabel 6 menunjukkan bahwa rata-rata k-NN tertinggi terdapat pada nilai k sama dengan 3 yaitu mencapai 72,62% (Gambar 9).
Akurasi rata-rata
13
100 90 80 70 60 50 40 30 20 10 0
90.63
90.63
90.63
R G B H S V Grey R
G
B
H
S
V
Grey
Komponen warna
Akurasi rata-rata
Gambar 8 Perbandingan akurasi rata-rata untuk setiap komponen warna 100 90 80 70 60 50 40 30 20 10 0
72.62
1
3 5 Nilai k pada k-NN
7
Gambar 9 Perbandingan akurasi rata-rata untuk setiap nilai k Daun padi didominasi oleh komponen warna G sehingga nilai piksel untuk komponen warna G lebih tinggi jika dibandingkan dengan komponen warna R dan B, hal tersebut yang menjadikan komponen warna G menghasilkan akurasi rata-rata tertinggi. Pada rumus perhitungan konversi dari model warna RGB ke model warna HSV, nilai piksel komponen warna V diperoleh dari maksimal nilai piksel komponen warna R, G dan B sehingga nilai piksel komponen warna V adalah representasi dari nilai piksel komponen warna G. Model warna grayscale memiliki nilai akurasi rata-rata tertinggi karena berdasarkan rumus perhitungan konversi dari model warna RGB ke grayscale, bobot perkalian untuk nilai piksel komponen warna G lebih tinggi jika dibandingkan bobot perkalian komponen warna R dan B, sehingga nilai piksel G dominan mempengaruhi hasil konversi. Dari model klasifikasi yang dihasilkan berupa file .txt yang berisi kumpulan histogram dari data latih, secara visual dapat terlihat bahwa penggunaan komponen warna G, V dan grayscale dapat membedakan antara skala warna yang
14 satu dengan skala warna lainnya. Hal tersebut menunjukkan bahwa komponen warna G, V dan grayscale dapat digunakan sebagai penciri untuk menentukan skala warna daun padi berdasarkan BWD. Secara keseluruhan komponen warna H pada model warna HSV menghasilkan akurasi rata-rata terendah, hal tersebut dikarenakan informasi yang terkandung di dalam komponen warna H (hue) lebih kepada informasi keragaman warna, sedangkan daun padi didominasi warna hijau dan memiliki tingkat keragaman warna yang sedikit. Hal tersebut menunjukkan bahwa komponen warna H tidak dapat digunakan sebagai penciri untuk menentukan skala warna daun padi berdasarkan BWD. Demikian pula untuk komponen warna S tidak dapat digunakan sebagai penciri untuk menentukan skala warna daun padi berdasarkan BWD karena komponen warna S merepresentasikan tingkat kejenuhan warna. Penelitian sebelumnya yang terkait dengan penelitian ini telah dilakukan oleh Nugroho (2011), dengan judul Pengembangan Sensor Warna Daun untuk Menduga Kebutuhan Pupuk pada Tanaman Padi, model warna yang digunakan adalah RGB dengan perhitungan jarak Euclidean. Adapun pada penelitian yang dilakukan oleh Masyhud (2013), objek penelitiannya adalah daun shorea dengan menggunakan fitur komponen warna pada model warna RGB dan HSV dengan metode klasifikasi k-NN. Hasil penelitian tersebut dapat dilihat pada Tabel 7. Tabel 7 Perbandingan dengan hasil penelitian terkait Objek Penelitian Daun padi (Nugroho 2011)
Ekstraksi Fitur Indeks R, G, dan B
Metode Klasifikasi Jarak Euclidean
Akurasi Rata-rata (%) 60,66
Daun Shorea (Masyhud 2013)
Komponen R + Haar Komponen G + Haar Komponen B + Haar Komponen H + Haar Komponen S + Haar Komponen V + Haar
k-NN
72,00 80,00 69,00 58,00 74,00 80,00
Daun Padi (Penelitian ini)
Histogram R Histogram G Histogram B Histogram H Histogram S Histogram V Histogram grayscale
k-NN
82,29 90,63 57,29 19,79 62,50 90,63 90,63
Dari Tabel 7 dapat ditunjukkan bahwa penelitian yang dilakukan oleh Nugroho (2011) memiliki kesamaan dalam hal objek penelitiannya yaitu daun padi namun data citra dan metode yang digunakan berbeda dengan penelitian ini, dengan akurasi rata-rata yang dihasilkan mencapai 60,66%. Penelitian yang dilakukan oleh Masyhud (2013) dengan objek daun shorea, menggunakan fitur dan metode klasifikasi yang sama namun metode ekstraksi yang digunakan berbeda yaitu metode Wavelet Haar dan menghasilkan akurasi rata-rata tertinggi pada komponen warna G dan V yaitu mencapai 80%. Pada penelitian ini menghasilkan nilai akurasi rata-rata tertinggi pada komponen warna G, V dan grayscale yaitu mencapai 90,63%.
15
SIMPULAN DAN SARAN Simpulan Penelitian ini telah mengimplementasikan metode ekstraksi fitur histogram warna pada masing-masing komponen warna R, G dan B pada model warna RGB, komponen warna H, S, V pada model warna HSV, dan model warna grayscale, dengan menggunakan metode klasifikasi k-Nearest Neighbor untuk mengidentifikasi skala warna pada daun padi. Hasil akurasi rata-rata tertinggi mencapai 90,63% pada komponen warna G, V dan grayscale. Sedangkan pada metode klasifikasi k-Nearest Neighbor akurasi rata-rata tertinggi mencapai 72,62% pada nilai k sama dengan 3. Dapat disimpulkan bahwa komponen warna dan nilai k mempengaruhi hasil akurasi pada identifikasi skala warna daun padi berdasarkan BWD. Komponen warna yang paling baik digunakan adalah komponen warna G karena tidak memerlukan tahap konversi model warna dan untuk nilai k yang paling baik digunakan adalah nilai k sama dengan 3.
Saran Beberapa saran untuk selanjutnya adalah: Menggunakan metode klasifikasi Bayes atau Support Vector Machine (SVM) Mengimplementasikan ekstraksi fitur dengan metode deteksi tepi untuk mendapatkan area daun secara utuh dan mempergunakan perhitungan color moment 3 Dilakukan penambahan data dengan akuisisi citra yang lebih variatif, baik dari ukuran, resolusi citra, jenis kamera, dan aspek teknis akuisisi lainnya sehingga data yang digunakan dapat menangani data uji yang bervariasi. Untuk memperoleh data latih yang lebih presisi, sebaiknya pada saat akuisisi data citra didampingi oleh peneliti yang berkompeten. 4 Membuat aplikasi mBWD pada sistem operasi iOS, windows phone, symbian dan sistem operasi lainnya. 1 2
DAFTAR PUSTAKA Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New Jersey (US): John Wiley and Sons, Inc., Hoboken. Balai Besar Penelitian Tanaman Padi. 2007. Bagan warna daun: Menghemat penggunaan pupuk N pada padi sawah. Subang. Boiman O, Shechtman E, Irani M. 2008. In defense of nearest neighbor based image classification. Computer vision and pattern recognition. 2008. Ford A, Roberts A. 1998. Colour Space Conversion. London (GB): Westminster University. Furuya S. 1987. Growth diagnosis of rice plants by means of leaf colour. JARQ.20(3):147-153
16 Masyhud SK. 2013. Identifikasi daun Shorea dengan k-NN menggunakan discrete wavelet transform dari komponen warna RGB dan HSV. [skripsi]. Bogor: Institut Pertanian Bogor. Nugroho IE, Astika IW, Solahudin M. 2011. Pengembangan sensor warna daun untuk menduga kebutuhan pupuk pada tanaman padi. [skripsi]. Bogor: Institut Pertanian Bogor. Pramesti RPA. 2013. Identifikasi karakter plat nomor kendaraan menggunakan ekstraksi fitur ICZ dan ZCZ dengan metode klasifikasi k-NN. [skripsi]. Bogor: Institut Pertanian Bogor. Rabbani M, Jones PW. 1991. Digital Image Compression Techniques. Michigan (US): Spie Optical Engineering Press, Michigan University. Rodrigues PS, Araujo AA. 2004. A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. Petropolis (BR): LNCC. Sergyan S., 2008. Color Histogram Features Based Image Classification in Content-Based Image Retrieval Systems. Budapest (HU): Institute of Software Technology. Song Y. 2007. Informative k-Nearest Neighbor pattern classification. SpringerVerlag Berlin Heidelberg. 2007: 248-264. Tan PN, Steinbach M, Kumar V. 2005. Introduction to Data Mining. Boston (US): Pearson Education, Inc. Wahyudi. 2012. 2013, βRobot hijauβ masih kuasai Indonesia. [Internet]. [diunduh 2012 Juli 23]. Tersedia pada http://tekno.kompas.com/read/2012/12/18/ 09270540/2013..Robot.Hijau.Masih.Kuasai.Indonesia. Wedhaswary. 2012. Temuan peneliti Indonesia kalahkan alat produksi Amerika. [Internet]. [diunduh 2012 Juli 23]. Tersedia pada http://edukasi. kompas.com/read/2012/06/28/08592261/Temuan.Peneliti.Indonesia.Kal ahkan.Alat.Produksi.Amerika.
17
LAMPIRAN
18
19 Lampiran 1 Citra daun Skala warna level 2 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
20 Lampiran 1 Citra daun (lanjutan) Skala warna level 3 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21 Lampiran 1 Citra daun (lanjutan) Skala warna level 4 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22 Lampiran 1 Citra daun (lanjutan) Skala warna level 5 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
23 Lampiran 2 Confusion matrix dengan nilai k=1 Komponen warna R(red) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5 1 Komponen warna G(green) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 4 Skala 4 1 Skala 5 Komponen warna B(blue) Target Masukan Skala 2 Skala 3 Skala 2 4 1 Skala 3 3 Skala 4 1 Skala 5 1 Komponen warna H(hue) Target Masukan Skala 2 Skala 3 Skala 2 0 6 Skala 3 6 Skala 4 1 4 Skala 5 5
Skala 4 1 4
Skala 4
Skala 5
1 5
Skala 5
2 5 6
Skala 4
Skala 5 1
3 3 4
2 1
Skala 4
Skala 5
0
1 1
Komponen warna S(saturation) Target Masukan Skala 2 Skala 3 Skala 4 Skala 2 5 1 Skala 3 6 Skala 4 4 1 1 Skala 5
Skala 5
6
24 Lampiran 2 Confusion matrix dengan nilai k=1 (lanjutan) Komponen warna V(value) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 4 Skala 4 1 Skala 5 Komponen warna grayscale Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5
Skala 4
Skala 5
2 5 6
Skala 4
Skala 5
1 5 6
25 Lampiran 3 Confusion matrix dengan nilai k=3 Komponen warna R(red) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 Skala 5 Komponen warna G(green) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5 Komponen warna B(blue) Target Masukan Skala 2 Skala 3 Skala 2 4 1 Skala 3 6 Skala 4 1 Skala 5 1 Komponen warna H(hue) Target Masukan Skala 2 Skala 3 Skala 2 0 6 Skala 3 6 Skala 4 1 4 Skala 5 5
Skala 4 1 3
Skala 4
Skala 5
3 6
Skala 5
1 5 6
Skala 4
Skala 5 1
4 4
1 1
Skala 4
Skala 5
Komponen warna S(saturation) Target Masukan Skala 2 Skala 3 Skala 4 Skala 2 1 2 3 Skala 3 6 Skala 4 3 1 2 Skala 5
1 1
Skala 5
6
26 Lampiran 3 Confusion matrix dengan nilai k=3 (lanjutan) Komponen warna V(value) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5 Komponen warna grayscale Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5
Skala 4
Skala 5
1 5 6
Skala 4
Skala 5
1 5 1
5
27 Lampiran 4 Confusion matrix dengan nilai k=5 Komponen warna R(red) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 Skala 5 Komponen warna G(green) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5 Komponen warna B(blue) Target Masukan Skala 2 Skala 3 Skala 2 4 1 Skala 3 6 Skala 4 1 Skala 5 1 Komponen warna H(hue) Target Masukan Skala 2 Skala 3 Skala 2 0 Skala 3 0 Skala 4 Skala 5 3
Skala 4 1 4
Skala 4
Skala 5
2 6
Skala 5
1 5 6
Skala 4
Skala 5 1
4 4
1 1
Skala 4
Skala 5 6 6 6 3
0
Komponen warna S(saturation) Target Masukan Skala 2 Skala 3 Skala 4 Skala 2 0 3 3 Skala 3 6 Skala 4 4 1 1 Skala 5
Skala 5
6
28 Lampiran 4 Confusion matrix dengan nilai k=5 (lanjutan) Komponen warna V(value) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5 Komponen warna grayscale Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5
Skala 4
Skala 5
1 5 6
Skala 4
Skala 5
1 5 6
29 Lampiran 5 Confusion matrix dengan nilai k=7 Komponen warna R(red) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 Skala 5 Komponen warna G(green) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5 Komponen warna B(blue) Target Masukan Skala 2 Skala 3 Skala 2 4 1 Skala 3 6 Skala 4 1 Skala 5 1 Komponen warna H(hue) Target Masukan Skala 2 Skala 3 Skala 2 5 Skala 3 1 Skala 4 Skala 5 5
Skala 4 1 1
Skala 4
Skala 5
5 6
Skala 5
1 5 6
Skala 4
Skala 5 1
3 4
2 1
Skala 4
Skala 5 1 5 6 1
Komponen warna S(saturation) Target Masukan Skala 2 Skala 3 Skala 4 Skala 2 3 3 Skala 3 6 Skala 4 3 1 2 Skala 5
Skala 5
6
30 Lampiran 5 Confusion matrix dengan nilai k=7 (lanjutan) Komponen warna V(value) Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5 Komponen warna grayscale Target Masukan Skala 2 Skala 3 Skala 2 6 Skala 3 5 Skala 4 1 Skala 5
Skala 4
Skala 5
1 5 6
Skala 4
Skala 5
1 5 6
31 Lampiran 6 Screenshoot aplikasi a. Tampilan situs mBWD
Halaman home
Halaman admin
Halaman tambah data citra
32 Lampiran 6 Screenshoot aplikasi (lanjutan) b. Tampilan aplikasi mBWD
Menu Home
Menu Galeri
Menu Kamera
Menu Petunjuk
Pemilihan citra dari galeri
Proses citra dari galeri
Proses citra dari kamera
Proses identifikasi
Hasil identifikasi
33
RIWAYAT HIDUP Penulis lahir di Bogor, tanggal 21 Maret 1979, merupakan putra keempat dari empat bersaudara dari pasangan yang bernama Kuslan Surakusumah dan Sulastri Kuslan. Penulis lulus dari SMA Negeri 3 Bogor pada tahun 1997, kemudian melanjutkan studi Diploma 3 di Universitas Gunadarma sejak tahun 1997 sampai dengan 2000. Pada tahun 2001 sampai dengan saat ini, penulis berkesempatan bekerja sebagai staf pada salah satu unit kerja di Kementerian Pertanian Republik Indonesia. Pada tahun 2004 penulis menikah dan saat ini telah memiliki satu orang putera dan satu orang puteri. Kesempatan untuk melanjutkan studi Sarjana S1 datang setelah adanya program Tugas Belajar dari instansi tempat penulis bekerja, maka sejak tahun 2010 penulis kembali menempuh studi di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
