DETEKSI CACAT DAUN TEH CAMELLIA SINENSIS DENGAN PENGOLAHAN CITRA DIGITAL DAN JST LEARNING VECTOR QUANTIZATION

DETEKSI CACAT DAUN TEH CAMELLIA SINENSIS DENGAN PENGOLAHAN CITRA DIGITAL DAN JST LEARNING VECTOR QUANTIZATION Pujl Lestarl" Bambaug Hldayar, Eko Susatlo'

I

I,2.JFakultas E1ektro dan Komunikasi, Institut TeknologiTelkom pull.iestarll0l0@gm'1! com, ·bbh@lttelkom••c.ld, • [email protected]

Abstrak Permasalahan eaeat p.da daun teh Camellia sinensis mengaklbatkan penurunan produksl yang eukup berartl. Selama In!, evaluasl kondlsl dauu untuk pemberlan pestlslda dilaknkan seeara mannal melalul pengamatan visuaL Pene6t1an Ini meneoba memberlkan soIusl permasalahan dl atas dengan meraneang suatu slstem yang dapat mendeteksl kondlsi daun teh normal tanpa eaeat dan daun teh yang eaeat b6ster, caeat karena hama mite dan eaeat karen. h.ma thrips. Sistem y.ng dlrancang ada dua metode. Metode pertama menggunakan Principal CDmponDlt AlUIlysis (PCA) seb.gal metode ekstraksl c1r1 dan JST Leilming Vector QlUllltlzathm (LVQ) sebagal metode k1aslfikasi sedangkan metode kedna menggun.kan metode analisls warna dan perbandingan panjang dan Ieb.r daun sebagal metode ekstraksl c1r1. Nilal parameter y.ng didapat darl ekstraksl clri PeA dan kemudlan dlmasukkan ke diklaslfikasikan dengan menggun.kan JST LVQ.

Pengujlan slstem dilaknkan dengan menggunakan 100 citra latlh dan 160 citra ujl. Parameter terbalk yang d1gunakan .dalah jnmlah PC (Principal Component) 1-55, epoch 200, leaming rate 0,0075, dan hiJlden layer 16. H.slI aknrasl dengan parameter tenebut diperoleh ketika menggun.kan metode kOOua (pCA dan .nallsis warna) yaltu 78,46% nntuk pengklaslfikasl.n empat kelas dan 85,38% untuk pengklaslfikaslan dua kelas dengan w.ktu komputasl sebes.r 4,447 detlk. Kata knuel: Daun teh CDmellia sinensis, PCA, ana6sis warna, JST LVQ Abstroct The existence of flaw in the Camellia sinensis tea leaves causes a signijicant decreasing in produetlon. During this time, the evaluatian of tea leaves conditions for granting the pesticides is done manually through visual observation. Evaluation in this way would require a long time if it is associated with the extent ofthe tea plantatian which should be evaluated. This research tries to provide solutions to the above

24

problem by designing a system that can detect normal leaves condition without flaw and tell leaves with flaw : blister flaw, flaw due to mite pests IlIU1 defection because of pest thrips. The system is designed by two methods. The first method using Principal Component Analysis (PCA) as feature extraction method IlIU1 ANN Learning vector quantization (L VQ) as a method of classijication while the second method uses color analysis method and comporison of leaves length and width as a feature extraction method. Parameter values obtained from feature extraction are inserted into the PeA. and classified by using LVQ ANN. System tested using 100 trained images and 160 test images. The best simulated parameter is PC (PrIncipal Component) 1-55, 200 epoch, learning rate is 0.0075, and 16 hidden layer. The res. of the accuracy ofthose parameters obtain when using second methods (PCA and color analysis) is 78.46% for the classifu:atian offour classes and 85.38% for the classijicatian of two classes with the computing time 4.477 seconds. Keywords : Camellia sinensis tea leaves, PCA, color analysis, LVQ ANN.

1.

Pendahuluan

Wilayah Indonesia yang sebagian berupa dataran tinggl bertemperatur 1embab hingga dingin merupakan salah satu faktor mudahnya membudidayakan Camellia sinensis sehingga membuat Indonesia menjadi salah satu negara produsen teh terbesar. Untuk mencapai produksi teh yang maksimal dibutuhkan daun teh tanpa cacat. Salah satu cacat yang bisa muncul adaIah penyakit cacar daun teh yang berupa bintik kecoklatan pada permukaan daun dan lebih dikenal dengan Blister blight. Cacar ini disebabkan oleh jamur Exobasidium vexans yang dapat menurunkan produksi pucuk basah sampai 50% karena menyerang daun atau ranting yang masih muda [21. Selama ini, evaluasi pada tanarnan teh untuk mengecek cacat terutama pada daun di1akukan seeara manual. Evaluasi dengan cara ini tentunya membutuhkan waktu yang lama jika dikaitkan dengan luasnya laban perkebunan teh yang hams dievaluasi. Melalui Penelitian ini, penulis mencoba memberikan solusi permasalahan di atas dimana akan dirancang suatu tool yang dapat identifikasi

IT Telkom Journal on leT Volume 1 Nomor 1 Maret Tahoo 2012

kondisi daun teh yang cacat dan daun teb yang tidak cacat. Ide dari perancangan ini adalah membandingkan kondisi daun teb yang tidak cacat dengan daun teb yang terkena penyakit atau hama (daun cacat) berdasarkan piksel warna dari citra digital input. Metode ekstraksi ciri akan dilakukan dengan menggunakan dna metode. Pada sistem pertama akan digunakan Principal Component Analysis (peA) sebagaimana pada poper sebelumaya [13] didapatkan akurasi pengenalan sebesar 96,67% dan pengujian 85%. Sistem kedua akan menggunakan ekstraksi ciri analisis wama dengan melakukan perhitungan terhadap nilai-nilai parameter warna yang terkandung di dalam citra seperti pada penelitian [II] menghasilkan akurasi identifikasi untuk pelatihan sebesar 95% dan 80% untuk pengujian. Metode klasifikasi yang akan digunakan adalah jaringan syaraf tirnan Learning Vector Quantization (LVQ).

Gambar 2 Cacar daun b. Broad mite[6) Broad mite atau Polyphagotarsoneus latus merupakan tungau hama yang menghisap cairan jaringan tanaman yang diseranguya yang menyebabakan terjadinya perubahan be~ menjadi abnormal seperti daun menebal, terpuntir, menyusut serta keriting, tunas dan bunga gugur atau terjadi perubahan warna menjadi wama lembagalkecoklatan.

2. Dasar Teori 2.1. Kondlsl Daun Teh Daun Teh Normal Tanpa Caeat Daun teh yang baik atau dikatakan normal tanpa cacat adalah daun yang warnanya hijau tanpa adanya bercak atau spot warna. Jenis daun ini akan menghasilkan teh kualitas tinggi,

e. Thrips parvlslplnus l14J Thrips parvisipinus biasanya menyerang daun terutama daun muda dengan cara menghisap cairan daun dan menyebabkan daun-daun mengeriting

keatas.

Gambar I Daun normal Cacat pada Daun Teh

a. BUster blight I1II Blister atau cacar daun merupakan penyakit

yang disebabkan oleb jamur Exobasidium

vexaIlS.

Pada bagian tanaman yang terserang tampak adanya bintik-bintik yang mula-mula berukuran kecil-tembus cahaya. Bercak dengan pusat tidak berwarna dibatasi oleb cincin yang berwarna hijau, menonjol ke bawah. Kemudian bercak makin lebar. Pada tahap akhir, pusat bercak menjadi coklat dan akhirnya mati bercak yang mali lersebut dapat lerlepas dan membuat Iuhang pada daun teh,

Gambar 4 Daun terserang hama Thrips parvisipinus 2.2. Citra DIgital III Citra adalah sekurnpuian piksel yang disusun dalam larik dna dimensi. Piksel itu sendiri mempunyai pengertian sebagai sampel dari pemandangan yang mengandung intensitas citra yang dinyatakan dalam bilangan bulat. Piksel (0,0) lerletak pada sudut kiri alas pada citra, indeks x bergerak ke kanan dan indeks y bergerak ke bawah.

Detekal Cacat Daun Teh Camellia Sinensis dengan Pengol8han Citra Digital dan JST Learning Vector Quantization {Puji Lestari]

25

•

.. , tlttcllM _ _ .lll

Oambsr 6 Model Ruang Warna ROB Oambar 5 Representasi citra digital

e. Ruang Warna USI P71 Pengolahan Citra Digital Pada dasamya pengo laban citra terbagi menjadi: (image a. Peningkatan kualitas citra enhancement) b. Pemulihan citra (image restoration) c. Pemampatan citra d. Segmentasi citra e. Analisis citra f. Rekonstruksi citra

HSI merepresentasikan warna dalam terminologi hue. saturation dan intensity. Hue merupakan variabel yang menyatakan warna, dati merab hingga violet. Sedangkan saturation disebut sebagai tingkat purity suatu warna.. Intensity sendiri merupakan variabel yang menyatakan brightness dati suatu warna.

-

Pengolahan Warn. a. CltraRGB Parameter ROB diperoleh dati tiap-tiap piksel wama pada citra daun teh yang merupakan nilai intensitas untuk masing-masing wama. Nilai ratarata dati R, 0 dan B dijumlahkan untuk mendapatkan color value atau ROB rata-rata. Model wama ROB juga dapat dinyatakan daIam bentuk indeks wama ROB dengan rumus sebagai berikut [IIJ: Indeks wama merah

..•

I ....."'......L

~

(I)

""-....L_~,_

Gambsr 7 Diagram kerucut ruang wama USI 2.4. Deteksl Tep! Tekuik deteksi tepi ini diIalrukan dengan tara melakukan penelusuran terbadap citra secara horizontal dan vertical untuk mencari perubahan nilai yang signifikan antara satu piksel dengan piksel yang lainl3J•

Indeks warna hijau

L·

.C

· .........=.;CI.

(2) Indeks wama biro

I"",.

•

·=CIlI~I.

(3)

b. Cltn Gnyseale PI Pada Oambsr 6 terlihat babwa warna hitam diwakili oleh koordinat ruang (0,0,0) yang berarti intensitas semua wama pokok adaIab 0% dan wama putih oleh koordinat (1,1,1) yang berarti semua wama pokok berintensitas 100%. Bila semua wama pokok mempunyai intensitas yang sarna antara dan berada diantara 0 dan I, maka yang tampak adalab wama abu-abu. Gray ~ 0.29900R + 0.587000 + 0.11400B

26

(a) (b) Gambsr 8 (a) Citra daun normal, (b) citra basil pendeteksian seluruh tepi 2.5. Citra JPEGI161 JPEO merupakan tekuik dan standar universal untuk kompresi dan dekompresi citra tidak bergerak untuk digunakan pada kamera digital dan sistem pencitraan menggunakan komputer yang dikembangkan oleh Joint Photographic Experts Group. Format file ini rnampu mengkompres objek

IT Telkom Journal on leT Volume 1 Nomor 1 Maret Tabun 2012

,

dengan tingkat kuaIitas sesuai dengan pilihan yang disediakan.

keluaran pada Iapisan pertama menjadi kelas-kelas yang telah didefmisikan sebelumnya (target) [91.

2.6. Prineipal Component A.nalysis (PCA) 112) Maksud dati penggunaan PCA adalah untuk menangkap variasi total di dalam kumpulan data yang dilatih, dalam hal ini data berupa citra dan untuk direpresentasikan variasi ini dengan variabel yang lebih sedikit. Langkah-laDgkah Pembentukan PCA a. Sebelum PCA dapat dilakukan, dilakukan lexicographical ordering untuk setiap citra daun yang akan dilatihkan dimana kolom yang satu diletakkan di samping kolom yang lain sehingga membentuk matriks daun yang merupakan matriks kolom, Matriks-matriks kolom daun tersebut disusun sedemikian rupa sehingga membentuk suatu matriks U dengan orde m x n dimana m adalah banyakuya jumlah piksel citra (w*h) dan n adalah banyakuya citra daun, Matriks inilah yang akan digunakan sebagai masukan bagi PCA b. Menghitung rata-rata (mean) setiap baris dari matriks besar tersebut.

(4) Dimana : u = vekmr rata-rata m = jumlah matriks c. Mengurangi semua nilai di setiap baris matriks besar dengan rata-rata tersebut(data normal). (5) d. Membuat matriks kovarian (6) e. Mencari nilai eigen (S) dan vektor eigen (V) dati matriks kovarian. Selanjutnya, vektor eigen V dikorelasikan terhadap data normal sehingga dihasilkan vektor eigen U. Vektor eigen U ini descending kemudian diurutkan secara berdasarkan nilai eigen. f Memilih jumlah PC yang diinginkan. Principal Component (PC) adaIah matriks pembawa ciri data. PC yang dihasilkan dalam PCA merupakan eigen vector yang terurut berdasarkan eigen value.

2.7. Jaringan Syaraf Tiruan Learning Vector Quandzation (LVQ) Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada Iapisan kompetitif yang terawasi Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasiItkasikan vektor-vektor input dengan menghitung jarak antara vektor-vektor input [7J • Jaringan LVQ terdiri dari 2 lapis layer yaitu Iapisan kompetitif yang melakukan klasifikasi masukan dengan cara kompetitif dan Iapisan linear yang melakukan transformasi sub-sub kelas

Gambar 9 Arsitektir Jaringan LVQ

Jumlah sub kelas pada lapisan kompetitif selalu lebih besar atau sama dengan jumlah kelas pada Iapisan linear sehingga jumlah neuron pada keluaran Iapisan kompetitif pun lebih besar alan sarna dengan neuron pada keluaran lapisan linear [12J. Sub kelas pada Iapisan kompetitif adalah hasil kompetisi pada lapis tersebut atau dengan kata lain tidak didefInisikan. Sedangkan kelas pada Iapisan linear adaIah kelas yang didefInisikan oleh penguna (target)l9]. A1goritma LVQ[7J A1goritma pada pembelajaran LVQ adalah sebagai berikut: a. Tetapkan : bobot (W), maksimum epoh (MaxEpoch), error minimum yang diharapkan (Bps), learning rate (0). b. Masukkan: I) Input : x( m,n) 2) Target : T(I,n) c. Tatapkan kondisi awal : I) Epoh :0 2) Err :I d. Kerjakan jika : (epoh < MaxEpoch) atau (0 > eps) I) Epoh=epoh+ I; 2) Kerjakan untuk i = I sampai n a) Tentukan J sedemikian hingga II X-Wj II minimum (sebut sebagai Cj). b) Perbaiki Wj dengan ketentuan : i, Jika T = Cj maka : Wj(baru)=wj(lama) + a (x-w;(lama» ii, Jika T *- Ci maka : Wj(baru)= Wj(lama) - 0 (x-wllama» 3) Kurangi nilai 0 Keterangan : X = vektor pelatihan (x.,...,Xi,""x..) T = kategori yang benar unuk target Wj = vektor bobot unit outpUtj(WI""Wi,..,Wj) Cj = kategori yang diwakili oleh unit output j IIX-Wjll = jarak euclidean vektor input dan bobot

Deteksi Cacat Daun Teb Camellia Sinensis dengan Peogolahan Citra Digital dan JST Learolng Vector Quantization [puji Lestari]

,

27

3.

Perancangan Slstem

Dalam perancangan sistem ini, digunakan 2 metode yang berbeda. Metode yang pertama, menggunakan Principal Component Analysis (PCA) dan jaringan syaraf timan Learning Vector Quantization (LVQ). Pada metode kedua, digunakan metode analisis warna dengan me1akukan proses penghitungan nilai-nilai parameter antara lain R, G, B, RGB rata-rata (color value) , indeksR (I,..i), indeksG (I.....,), indeksB (lblu'), hue (corak, disingkat menjadi H), saturation (kejenuhan, disingkat menjadi S), intensity (intensitas, disingkat menjadi I), HSI rata-rata, indeksH (lbue), indeksS (I...), dan indeksI(I;m) dari tiap-tiap piksel citra daun teh, baik bagian daun normal, cacar, mite rnaupun thrips dan analisis komponen utarna (PC). Teknik klasifikasi yang digunakan adalah jaringan syaraf timan Learning Vector Quantization (LVQ). Hasil dari identifikasi yang dilakukan pada metode pertama dan kedua ada dua yaitu sistem klasifikasi empat kelas dan sistem klasifikasi dua kelas. Sistem klasifikasi empat kelas adalah kondisi daun teh yang diklasifikasikan ke dalam empat kelas, yaitu kondisi normal (tanpa cacat), blister (eaear daun), cacat karena harna mite, dan eacat karena hama thrips. Sistem k1asifikasi dua kelas adalah kondisi daun teh yang diklasifJkasikan ke dalam dua kelas, yaitu kondisi normal (tanpa eaeat) dan caeat (blister, caeat karena harna mite dan harna thrips). 3.1. Metode Pertama Secara umum sistem penelitian yang dirancang memiliki dua proses utarna yaitu proses pembelajaran (training) dan proses pengenalan (recognizing). Proses pembelajaran memiliki dua tahap yaitu Preprocessing dan pembelajaran oleh JST Learning Vector Quantization (LVQ).

grayscale, maka ukuran matriks citra 64Ox480x3 piksel menjadi 640x480 piksel. Dengan demikian akan mereduksi jumIah perhitungan yang diperlukan. Citra grayscale dengan ukuran 640 x 480 piksel kemudian dinonnalisasi menjadi citra dengan ukuran 64 x 85 piksel. PCA Sebelum PCA dapat dilakukan, dilakukan lexicographical ordering terlebih dahulu untuk setiap daun yang dilatihkan dimana kolom yang satu diletakkan di samping kolom yang lain daun yang sehingga membentuk rnatriks merupakan matriks kolom, Matriks-matriks daun tersebut disusun sedemikian rupa sehingga membentuk suatu matriks besar U dengan orde 5440xI00, dimana 5440 adalah banyaknya jumlah piksel (64*85) dan 100 adalah banyaknya citra daun yang digunakan Matriks inilah yang digunakan sebagai masukan bagi PCA.

132 152 153 159 139

86 82 106 119 161

W 112 III ID9 llI7

29 83 91

87 97

Gambar 10 Proses lexicographical ordering pada suatu matriks citra

ri ~ ti

III

III lit III III !If III

III III III

Pengolahan Citra pada Citra Latlh Citra Iatih kondisi daun teh pada Penelitian ini, diperoleh dengan menggunakan Digital Camera Panasonic Lumix DMC-FS62 dengan resolusi 10.1 Megapixel. Pengambilan citra dilakukan di Perkebunan Teh Kemuning Karanganyar. Citra yang dihasilkan yaitu citra berwarna dalam format *.jpeg dengan ukuran 3648x2736 piksel. Citra tersebut kemudian diuhah ukurannya dengan bantuan adobe photoshop menjadi berukuran 640x480 piksel. Jumlah citra yang digunakan adalah 100 sampel untuk citra Iatih dan 160 untuk citra uji.

Preprocessing Preprocessing yang dilaknkan adalah mengubah citra RGB menjadi citra grayscale. Dengan mengubah citra RGB menjadi citra

28

.- .- .-

. .. II

II II

IOl III 1111 'lit III III HI IU IU III

w w w 101 JOi 101 loll loll lOt I/iI lOt

•

It

,

II

II II

II II

"

11

It tI II

91 tl 91 Gambar II Proses Pembentukan matriks U

IT Telkom Journal on leT Volume 1 Nomor 1 Maret Tahuo 2012

,

I

K1asifikasi dengan JST LVQ Jaringan Syaraf Tiruan secara umum digunakan untuk pemrosesan masalah klasifikasi. Dalam Penelitian ini, digunakan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk mengklasifikasikan kondisi daun leh. Pada prose pengklasifikasian ini akan diIakukan dengan 4 kelas dan 2 kelas Nilai-nilai parameter untuk pembelajaran 1ST LVQ yaitu: 1. Targel (I) 2. Alpha 3. Epoch

4.

Hidden neuron

Proses Pembelajaran (Laming) Algoritma jaringan LVQ digunakan untuk dua proses yang berbeda yaitu proses belajar (learning) dan testing. Pada learning citra latih yang digunakan dalam sistem klasifikasi empal kelas berjumlah 25 untuk masing-masing kondisi daun, sehingga jumlah lotal adalah 100 citra Iatih. Sedangkan pada sistem klasifikasi dua kelas digunakan 100 citra Iatih dengan perincian 25 citra normal dan 75 citra eaeat.

Gambar 12 Proses perubaban citra RGB ke grayscale b.

Deleksi Tepi Proses ini bertujuan untuk menghasilkan tepitepi dari obyek citra yang akan dideteksi, Deteksi lepi yang dilakukan menggunakan operator Prewitt dengan nilai threshold 0,05.

Proses Pengnjian (Testing) Kedua adalah proses pengujian (testing) untuk menentukan kondisi daun leh pada citra uji dimasukan. Sistem klasifikasi empat kelas menggunakan citra uji berjumlah 40 untuk masingmasing citra kondisi daun. Sedangkan citra uji pada sistem dengan dua kelas

Gambar 13 Citra basil deteksi tepi c.

3.2. Metode Kedua Pengolahan Citra pada Citra Latih Citra masukan berupa citra daun teh, yang lerdiri alas 100 citra Iatih sebagai basis data dan 160 citra uji yang masing-masing citra dalam bentuk citra berwarna dan disimpan dalam format ekstensi • .Jpeg. Ukuran citra diresize menjadi 640x480 piksel.

Dilasi Setelah melalui proses deteksi tepi, citra akan mengalami prsoses dilasi yaitu dengan menggunakan elemen struktur disk. Elemen struktur disk digunakan untuk mempertebal daerah sekeliling objek yang membentuk disk ke arab piksel sekelilingnya.

Preprocessing L

Grayscale

Pada proses mi, citra masukan RGB dikonversi ke grayscale. Hal ini diIakukan untuk menyederhanakan model citra sehingga memudahkan proses pengolahan citra selanjutnya.

Gambar 14 Dilasi dengan elemen struktur disk

d.

Filling Proses selanjutnya yang digunakan dalah filling. Proses ini dilakukan untuk mengisi ruang piksel yang kosong, yaitu dengan mengganti piksel yang bernilai 0 dengan piksel yang bernilai I. Citra basil filling dapat dilihat pada Gambar 18

Deteksi Caeat Dauo Teh Camellia SInensis dengan Pengolahan Citra Digital dan JST Learning Vector Quantization (Puji Lestarf]

29

,

l

Tabell Keberhasilan Hasil Dugaan Kondisi Citra Daun Teh Keberhasil an Hasil Du aan

Jenis Citra

98 99

Tabel2 Keberhasilan Hasil Dugaan Kondisi Citra Daun Teh Jumlah Keberhasilan Jumlah Kesalahan Jenis Citra Total Hasil Du aan Citra Du aan 8 100 92 48 160 112

e.

Labelling& Thresholding Proses ini dilakukan untuk menghilangkan objek yang tidak diinginkan. Biasanya proses ini digunakan apabila terdapat objek lebih dari satu. Dengan menggunakan fungsi bwlobel setiap objek akan diberi label berbeda untuk objek yang berbeda. Objek-objek yang sudah diberi label dan dihitung luasnya akan ditentukan oleh batas threshold, yaitu objek dengan Iuas kurang dari batas threshold dihiiangkan dengan memberi nilai

O. f.

Cropping Citra Black and White hasil dari proses filling akan digunakan untuk proses pernotongan citra. bertujuan untuk Pernotungan citra ini tidak menghilangkan bagian-bagian yang dihutuhkan sehingga hanya objek daun saja yang terlihat.

Jumlah Kesalahan Du aan 2 61

Tabel3 Keberhasilan Hasil Dugaan Kondisi Citra Daun Te hi pa da SiISt em P ertarna Jumlah Keberhasilan Jumlah Hasil Kesalahan Jenis Citra Total Dugaan Dugaan Citra 94 Citra Latih 100 6 .. 124 36 CtraU 160 :'11!""h' f·""'A '!'Il1'" '.I,,' p1~~·n'~r~~'),~o<,.n ~~A,"'!Jc;:JE} ct/~·~;'f4"'f}:,L;~· '4I~-.f;T-~," ~i4t_~~· ,

Tabel4 Keberhasilan Hasil Dugaan Kondisi Citra Daun Te hLJllada S'istem Kedua Jumlah Keberhasilan Jumlah Jenis Citra Total Hasil Kesalahan Duzaan Citra Du~aan Citra Latih 100 95 5 ,. 127 Ct U 160 33 Gambar 16 Citra hasil cropping Ekstraksi Ciri Pada proses cropping, didapatkan ukuran maksimurn dan minimun vertikal serta horizontal yang membatasi citra daun teb dengan latarnya. Ukuran ini kemudian digunakan untuk mengcropping citra RGB daun teh agar nantinya dapat dilakukan penghitungan nilai-nilai parameter warna. Selain nilai parameter RGB, akan dihitung pula nilai parameter HSI. Parameter warna yang akan digunakan ada empat beias, yaitu intensitas warna merah, intensitas warna hijau, intensitas warna biro, RGB rata-rata, indeks warna merah, indeks warna hijau, indeks warns biro, intensitas warna hue, intensitas warna saturation, intensitas warns intensity, HSI rata-rata, , indeks warna hue, indeks wama saturation, dan indeks warna intensity.

30

~"'{~",n,

~A;J,P) .. q~

~'tf;iel:\ ~ ,'~ ~~f-»"-t ~- "'~~Y¥j -,-

'\

t". ,"';(, A~ I.J~

• ""

i;:j

PCA Setiap citra daun teh memiliki lima belas nilai parameter (parameter hasil analisis warns dan perbandingan panjang dengan lebar). Dengan 100 citra Iatih maka akan diperoleh matriks 15x100. Matriks ini kernudian akan masuk ke dalam PCA, Klasifikasl dengan JST LVQ Proses Pembelajaran (Learning) Algoritma jaringan LVQ digunakan untuk dua proses yang berbeda. Pertama adalah proses belajar (learning) JST untuk mengklasifikasi kondisi daun teb. Citra Iatih yang digunakan dalam sistem klasifikasi empat kelas berjumlab 25 untuk masing-masing kondisi daun, sehingga jumlah total adalah 100 citra latib. Sedangkan pada sistem a.

IT Telkom Journal on ICf Volume 1 Nomor 1 Maret Taaun 2012

,

I,

klasifikasi dua kelas digunalcan 100 citra latib dengan perincian 25 citra nonnal dan 75 citra caeat.

b.

Proses Pengujlan (Testing) Kedua adalab proses pengujian (testing) untuk menentukan kondisi daun teh pada citra uji dimasukan. Sistem klasifikasi empat kelas menggunakan citra uji berjumlah 40 untuk masingmasing citra kondisi daun. Sedangkan citra uji pada sistem dengan dua kelas menggunakan 40 citra normal dan 120 citra cacat. 4. Hasll dan ADalisis Untuk pengujian semua sistem digunakan parameter akurasi dan error. Akurasi adalah ukuran ketepatan sistem dalam mengenali input yang diberikan sebingga menghasilkan keluaran yang benar. Seeara sistematis dapat dituliskan sebagai berikut:

(7) Error adalab tingkat kesalahan sistem dalam mengenali input yang diberikan terhadap jumlah data secara keseluruban. Seeara sistematis dapat ditu1iskansebagai berikut: Error Jumlah data salah 100"/0 (8)

Jumlah_ data_ kesaiuruhB 4.1. Pengujlan A1goritma Metode Pertama

Dari pengujian learning rate, maks epoch dan hidden layer didapatkan parameter terbaik sebagai berikut: = I-55 PC = 16 Hidden layer Learning rate =0,0075 MaksEpoch =200

4.2. Pengujlan A1goritma Metode KOOua

Dari pengujian learning rate, maks epoch dan hidden layer didapatkan parameter terbaik sebagai

berikut : PC Hidden layer Learning rate MaksEpoch

1-10 =64 =0,0075 =200

=

4.3. Sistem dengan K1asifikasl Dua Kelas Berdasarkan pengujian sistem sebelumnya, secara keseluruhan akurasi yang didapat adalah 75,77% untuk metode pertama dan 78,46% untuk metode kedua, Narnun, jika dilibat dari akurasi pengujian tiap kondisi daun teh untuk citra uji, hasil yang didapatkan untuk uji citra blister sangat keeil.

Pada pengujian ini, jumlah citra latib yang digunakan adalab 25 untuk citra nonnal dan 75 untuk citra cacat, sedangkan citra uji normal sebanyak 40 dan citra cacat sehanyak. Langkah pengujian sarna seperti dua metode sebelumnya dengan parameter yang akan digunakan adalab parameter terbaik hasil pengujian metode pertama dan kedua,

5.

Penutup 5.1. Keslmpulan

Dari hasil analisis terhadap pengujian yang dilakukan pada sistem identifikasi caeat daun teh dengan menggunakan PCA (Principal Component Analysis) dan analisis warna serta JST Learning Vector Quantization sebagai metode k1asifikasi, maka dapat ditarik kesimpulan sebagai berikut : a. Penggabungan dua metode yaitu PCA dan analisis warna memberikan hasil yang sangat baik, Hal ini ditunjukkan dengan tingkat pengenalan selama pengujian. b. Tingkat keberhasilan sistem terbaik menggunakan sistem klasifikasi dua kelas (daun normal dan cacat) dengan tingkat pengenalan sebesar 85,38 % dan waktu komputasi sebesar 4,477 deti!<. c. Program pengolahan citra telab marnpu membangkitkan data-data numerik dari citra daun teh henJpa p~er warna yang merupakan input data padll~A. d. Parameter pelatihan terbaik saat penggunaan metode PCA adalab sebagai berikut : I) Jumlah PC (Principal Component) = I-55 2) Jumlah hidden neuron = 16 3) Learning rate = 0,0075 4) Jumlah epoch = 200 e. Parameter pelatihan terbail< saat penggunaan metode PCA dan analisis warna adalab sebagai

berikut : I) Jumlah PC (Principal Companent) = 1-10 2) Jumlah hidden neuron = 64 3) Learning rate = 0,0075 4) Jumlah epoch = 200 f Vektor ciri keiuaran PCA dapat dikurangi jumlab PC-nya sarnpai pada jumlab tertentu sehingga semua komponen PC tidak perlu digunakan semua. 5.2. Saran Penelitian lebib lanjut diharapkan dapat memperbaiki kekurangan yang ada dan diharapkan dapat mengembangkan apa yang telab dilakukan pada penelitian ini. Untuk itu disarankan hal-hal berikut: a. Pada proses pengambilan garnbar sebaiknya lebih diperhatikan jarak kamera terhadap daun, cuaca dan kondisi kelembapan lingkungan.

Deteksi Cant DaUBTeb Camellia Sinensis dengan Pengolahan Citra Digital dan JST Learning Vector Quantizadon lPuji Lestari]

31

,

b.

c.

d.

e.

Karena hal tersebut mempengaruhi intensitas wama yang dihasilkan oleh citra. Penggunaan data !atih yang lebih banyak sehingga sistem lebih mampu mengidentifikasi kondisi daun teh. Penggunaan metode ekstraksi ciri ICA sehingga dapat dibandingkan basil akhirnya dengan penggunaan PCA pada penelitian ini. Pada proses klasifikasi bisa digunakan model jaringan syaraf tinlan Backpropagation dan KNearest Neighbor. Penggunaan domain frekuensi dalarn pemrosesan citra, seperti penggunaan wavelet agar diperoleh vektor ciri warna yang lebih

spesifik, f. Penelitian ID1 diharapkan dapat diimplementasikan pada bahasa pemrograman yang lebih kompatihel dengan electronic device seperti java sehingga nantinya aplikasi ini dapat digunakan dengan mudah di lapangan.

DAFfAR PUSTAKA

[I] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya, Jogjakarta: Penerbit Graha Ilmu. [2] Anonymous. 2002. Musuh Alami Hama dan Penyakit Tumbuhan. Proyek Pengendalian Harna Terpadu Perkebunan Rakyat Direktorat Perlindungan Perkebunan, Direktorat Jenderal Bina Produksi Perkebunan Departemen Pertanian Jakarta. [3] Fadlisyah. 2007. Computer VISion dan Pengolahan Citra. Jogjakarta: Penerbit Andi. Perancangan Algoritma [4] Fahmi. Pengolahan Citra Mata Menjadi Citra Polar Iris Sebagai Bentuk Antara Sistem Biometrik, Karya Ilmiah, Sumatera Utara: Universitas Sumatera Utara.

32

[5] Febrianty. 2008. Pengolahan Citra untuk

Memonitor

Kepadatan

Lalu

Lintas.

Bandung. IT Telkom. [6] Ir. H. Samsudin, Msi Tungau Kuning Polyphagotarsoneus latus Banks Hama Utama Tanaman di Indonesia. [7] Kusumadewi, Sri 2003. Artificial Intelligence (Teknik dan Aplikasinya). Jogjakarta: Penerbit Graha Ilmu. [8] Pasaribu, Rosdiana Maisyurah. 2009. Pengklasifikasian Sansevieria Menggunakan Analisis Struktur dengan Metode JST-SOM pada Citra Daun. Bandung: IT Telkom. [9] Septiana, Aditya, 2010. Peramalan Cuaca dengan Menggunakan Learning Vector Quantization (LVQ). Genetic Algorithm (GA), dan Self Organizing Map (SaM). Bandung: IT Telkom. [10] Setyamidjaja, Djoehana. 2000. Teh: Budidaya dan Pengolahan Pascapanen. Jogjakarta: Penerbit Kanisius. [11]Somantri, Agus., Miskiyah, Wisnu Broto. Identifikasi Mutu Fisik Jagung dengan Menggunakan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. [12]Syawaluddin, Mochamrnad Taufik. 2010. Pengenalan Plat Nomor Otomatis Menggunakan Principal Component Analysis (PCA) dan Learning Vector Bandung: IT Quantization (LVQ). Telkom. [13] Zayuman, Hidayat., Imam Santoso, R. Pengenalan Wajah Rizal Isnanto. Manusia Menggunakan Analisis Komponen Utama (PCA) dan Jaringan Syaraf Tiruan Perambatan Balik Jurusan Teknik Elektro, Fakultas Teknik. Universitas Diponegoro, Semarang.

IT Telkom Journal on leT Volume 1 Nomor 1 Maret Tahua 2011

,