APLIKASI MOBILE UNTUK REKONSTRUKSI DAN IDENTIFIKASI AREA KERUSAKAN DAUN MENGGUNAKAN CONVEX HULL YUSRIZAL IHYA

APLIKASI MOBILE UNTUK REKONSTRUKSI DAN IDENTIFIKASI AREA KERUSAKAN DAUN MENGGUNAKAN CONVEX HULL

YUSRIZAL IHYA

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Mobile untuk Rekonstruksi dan Identifikasi Area Kerusakan Daun Menggunakan Convex Hull adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. 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, 2014 Yusrizal Ihya NIM G64104021

ABSTRAK YUSRIZAL IHYA. Aplikasi Mobile untuk Rekonstruksi dan Identifikasi Area Kerusakan Daun Menggunakan Convex Hull. Dibimbing oleh YENI HERDIYENI. Penelitian ini mengajukan metode untuk menghitung area kerusakan daun yang terserang hama, diterapkan dalam bentuk aplikasi mobile dengan sistem operasi Android. Aplikasi mobile ini digunakan pada mobile device (client) untuk proses akuisisi citra dan praproses, sedangkan proses perhitungannya dilakukan di server. Penelitian ini menggunakan metode Otsu untuk proses segmentasi citra daun rusak dan Convex Hull untuk melakukan rekonstruksi pada area kerusakan daun. Rekonstruksi daun dilakukan karena daun yang akan dideteksi mengalami kerusakan sehingga bentuk aslinya sulit dikenali. Setelah dilakukan proses rekonstruksi, bentuk asli daun tersebut dapat diidentifikasi kembali sehingga tingkat kerusakan daun dapat dihitung. Rata-rata tingkat kesalahan akurasi hasil rekonstruksi pada daun salam (Syzygium polyanthum), kemuning (Murraya paniculata) dan sirih (Piper betle L) yang rusak, secara berturut-turut adalah 19.19%, 16.81% dan 22.31%. Hasil evaluasi menunjukkan bahwa tingkat kerusakan yang terjadi pada daun dan tingkat akurasi rekonstruksinya berbanding terbalik. Algoritme Convex Hull dapat diterapkan untuk merekonstruksi kerusakan pada daun bertulang daun menyirip, tapi tidak bisa diterapkan pada daun bertulang daun menjari. Kata kunci: Android, Convex Hull, OpenCV, Otsu, Segmentasi

ABSTRACT YUSRIZAL IHYA. Mobile Application for Reconstruction and Identification of Damaged Leaf Area Using Convex Hull. Supervised by YENI HERDIYENI. This research proposes a method to calculate the area of damaged leaf attacked by pests, implemented as a mobile application on the Android operating system. The mobile application works on mobile device (client) for image acquisition and preprocess, while the calculation are performed on the server. This research uses Otsu method for image segmentation process and Convex Hull to reconstruct the area of damaged leaf. Reconstruction is done because the leaves were damaged so that their original shape was unrecognizable. After the reconstruction, the original shape of the leaves can be identified so the level of leaves damage can be calculated. The average error rate on the accuracy of the reconstruction of damaged salam (Syzygium polyanthum) leaves, kemuning (Murraya paniculata) leaves and sirih (Piper betle L) leaves is 19.19%, 16.81% and 22.31% respectively. Evaluation results show that the level of damage that occurs in the leaves and the reconstruction accuracy rate are inversely related. Convex Hull algorithm can reconstruct damaged leaves that have pinnate bone, but it is not suitable for leaves that have finger bone. Keywords: Android, Convex Hull, OpenCV, Otsu, Segmentation

APLIKASI MOBILE UNTUK REKONSTRUKSI DAN IDENTIFIKASI AREA KERUSAKAN DAUN MENGGUNAKAN CONVEX HULL

YUSRIZAL IHYA

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 2014

Judul Skripsi : Aplikasi Mobile untuk Rekonstruksi dan Identifikasi Area Kerusakan Daun Menggunakan Convex Hull Nama : Yusrizal Ihya NIM : G64104021

Disetujui oleh

Dr Yeni Herdiyeni, SSi, MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom Ketua Departemen

Tanggal Lulus:

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah pengolahan citra digital, dengan judul Aplikasi Mobile untuk Rekonstruksi dan Identifikasi Area Kerusakan Daun Menggunakan Convex Hull. Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni, SSi, MKom selaku pembimbing yang telah banyak memberi saran. Di samping itu, penghargaan penulis sampaikan kepada Bapak Prof Dr Aunu Rauf, MSc yang telah membantu selama pengumpulan data, Kholis, Ngakan, Rahmat, Mega, Desta serta rekan-rekan mahasiswa yang tergabung dalam lab CI yang telah membantu selama pengerjaan skripsi dan pengembangan aplikasi. Ungkapan terima kasih juga disampaikan kepada ayah, almarhumah ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.

Bogor, Maret 2014 Yusrizal Ihya

DAFTAR ISI DAFTAR TABEL

ix

DAFTAR GAMBAR

ix

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

3

TINJAUAN PUSTAKA

3

Pengelolaan Hama Terpadu (Integrated Pest Management)

3

Pengukuran Tingkat Kerusakan Tanaman

3

Android

4

Computer Vision

5

Open Computer Vision (OpenCV)

5

Metode Otsu

5

Convex Hull

6

METODE

8

Akuisisi Citra

9

Segmentasi

9

Rekonstruksi

9

Perhitungan Area Kerusakan

9

Evaluasi

10

Alat

10

HASIL DAN PEMBAHASAN

10

Akuisisi Citra

11

Segmentasi

11

Rekonstruksi

12

Perhitungan Area Kerusakan

13

Evaluasi

13

Hasil dan Analisis

13

Hasil Antarmuka Sistem

20

SIMPULAN DAN SARAN

23

Simpulan

23

Saran

23

DAFTAR PUSTAKA

23

RIWAYAT HIDUP

25

DAFTAR TABEL 1 Penilaian tingkat kerusakan tanaman

4

2 Hasil rekonstruksi daun salam

13

3 Hasil rekonstruksi daun kemuning

15

4 Hasil rekonstruksi daun sirih

17

DAFTAR GAMBAR 1 Ilustrasi penilaian tingkat kerusakan tanaman

4

2 Komponen sistem operasi Android

4

3 Ilustrasi Convex Hull

6

4 Flowchart algoritme 3 koin Sklansky

7

5 Metode penelitian

8

6 Citra daun salam

11

7 Citra daun kemuning

11

8 Citra daun sirih

11

9 Daun kemuning yang belum rusak

12

10 Daun kemuning yang sudah rusak

12

11 Citra daun rusak sebelum rekonstruksi

12

12 Citra daun hasil rekonstruksi

12

13 Antarmuka menu galeri

20

14 Antarmuka menu rekonstruksi

21

15 Antarmuka hasil segmentasi

21

16 Antarmuka hasil rekonstruksi

22

17 Antarmuka menu petunjuk

22

PENDAHULUAN Latar Belakang Salah satu permasalahan di dalam budidaya pertanian adalah serangan hama pada komoditas pertanian. Serangan hama dapat menyebabkan kerugian ekonomis dalam budidaya dan perawatan komoditas pertanian. Selama ini, usaha yang dilakukan untuk mengatasi serangan hama tersebut adalah dengan penggunaan pestisida. Penggunaan pestisida seringkali menimbulkan akibat yang kurang baik dari sisi kesehatan untuk lingkungan di sekitarnya. Selain itu, biaya perawatan tanaman dengan pestisida juga kurang efisien dari sisi ekonomis. Zat kimia yang terkandung di dalam pestisida juga dapat menyebabkan kualitas komoditas pertanian menurun. Pengelolaan Hama Terpadu (Integrated Pest Management) merupakan salah satu upaya untuk mengendalikan dan mengatasi serangan hama dengan cara yang ramah lingkungan. Beberapa hal yang diperhatikan dalam Pengelolaan Hama Terpadu adalah tingkat pertumbuhan jenis tanaman, faktor iklim dan cuaca di daerah lahan pertanian, daur hidup Organisasi Pengganggu Tanaman (OPT) atau hama yang diamati, keberadaan predator alami dan intensitas serangan hama terhadap komoditas pertanian (Flint et al. 2003). Penelitian ini fokus kepada pengenalan intensitas serangan OPT atau hama terhadap komoditas pertanian. Flint et al. (2003) memaparkan bahwa serangan hama dibagi menjadi dua jenis, yaitu serangan langsung ke komoditas utama tanaman dan serangan tidak langsung. Contoh serangan langsung adalah jika komoditas utama yang digunakan pada tanaman tersebut adalah daun, kemudian hama menyerang langsung ke daunnya sehingga tingkat produktivitas tanaman tersebut terganggu secara langsung karena daunnya tidak bisa dipanen. Contoh serangan tak langsung adalah jika komoditas utama yang digunakan pada tanaman tersebut adalah buahnya, sedangkan hama menyerang daun. Tingkat produktivitas tanaman tersebut tidak terganggu karena buahnya tetap bisa dipanen. Mura et al. (2007) melakukan penelitian pada daun kedelai yang rusak terserang hama. Diperoleh kesimpulan bahwa dengan menggunakan metode komputasi dan citra dari scanner, dapat diperoleh hasil yang lebih efektif dalam menentukan persentase kerusakan daun kedelai yang terserang hama ulat (Anticarsia gemmatalis) daripada menghitungnya secara manual, dengan rata-rata tingkat kesalahan akurasi sebesar 13.70%. Salah satu elemen penting yang mendukung Pengelolaan Hama Terpadu adalah Pengawas Organisme Pengganggu Tanaman (POPT). Pemekaran wilayah di era otonomi daerah menyebabkan jumlah POPT belum mencapai kondisi ideal, yaitu 1 orang di setiap kecamatan. Optimalnya kinerja POPT dalam melaksanakan tugas di lapangan sangat dipengaruhi oleh rasio jumlah petugas POPT dengan luas wilayah kerja pengamatan OPT (Deptan DJTP 2010). Jumlah POPT pada tahun 2010 adalah 3.183 orang, yang tersebar di 6.543 kecamatan. Kurang memadainya jumlah POPT dapat mengakibatkan informasi hasil pengamatan serangan OPT terlambat sehingga kegiatan operasional penanganan serta perencanaan pengendalian OPT dalam rangka pengamanan produksi tidak optimal (Deptan DJTP 2011). Salah satu solusi yang dapat digunakan untuk mendukung kinerja POPT yang jumlahnya terbatas tersebut adalah penggunaan teknologi dalam

2 pertanian, misalnya penerapan aplikasi mobile untuk mengukur tingkat kerusakan komoditas pertanian pada suatu lahan pertanian. Penelitian ini mengajukan metode untuk menghitung area kerusakan daun secara otomatis menggunakan aplikasi mobile. Permasalahan muncul karena daun yang akan dideteksi mengalami kerusakan dan bentuk aslinya sebelum rusak sulit dikenali. Oleh karena itu, penelitian ini melakukan rekonstruksi area kerusakan daun. Dengan adanya proses rekonstruksi, daun tanaman yang rusak dapat dibentuk kembali menjadi bentuk semula sebelum rusak, sehingga bentuk asli daun tersebut dapat diidentifikasi kembali. Nazaré-JR et al. (2010) menggunakan algoritme Bresenham untuk proses rekonstruksi daun kedelai yang rusak karena terserang hama, dengan rata-rata tingkat kesalahan akurasi sebesar 7.90%. Penelitian ini mencoba menerapkan metode Convex Hull untuk melakukan rekonstruksi area kerusakan daun dengan aplikasi mobile. Aplikasi ini dikembangkan dengan menggunakan sistem operasi Android. Perumusan Masalah Dalam penelitian ini dilakukan rekonstruksi pada daun tumbuhan yang rusak terserang hama. Rekonstruksi tersebut dilakukan untuk membentuk kembali kerangka daun yang rusak ke bentuk semula sebelum rusak sehingga bentuk asli daun dapat diidentifikasi kembali. Setelah bentuk asli daun dapat diidentifikasi, tingkat kerusakan daun dapat dihitung. Tingkat kerusakan daun dapat diukur dengan membandingkan area daun yang rusak dengan area daun hasil rekonstruksi yang diperkirakan bentuknya mendekati bentuk asli sebelum rusak. Proses rekonstruksi daun rusak dalam penelitian ini menggunakan metode Convex Hull. Tujuan Penelitian Tujuan dari penelitian ini adalah: 1 Melakukan rekonstruksi daun yang rusak menggunakan algoritme Convex Hull. 2 Mengidentifikasi area kerusakan daun yang rusak. 3 Menentukan rata-rata tingkat kesalahan akurasi hasil rekonstruksi daun yang rusak dengan Convex Hull. 4 Membuat aplikasi mobile untuk rekonstruksi dan identifikasi area kerusakan daun menggunakan Convex Hull. Manfaat Penelitian Manfaat dari penelitian ini adalah untuk mengembangkan solusi baru dalam melakukan rekonstruksi dan identifikasi area kerusakan daun, yaitu dengan menggunakan perangkat mobile. Penelitian ini juga dapat dikembangkan untuk membantu proses monitoring dan pengelolaan serangan hama di lahan pertanian.

3 Ruang Lingkup Penelitian Ruang lingkup pengembangan aplikasi ini adalah terbatas pada citra yang digunakan sebagai citra input dalam aplikasi ini. Citra daun yang digunakan adalah citra daun bertulang menyirip/tidak menjari, yaitu citra daun salam, daun kemuning dan daun sirih.

TINJAUAN PUSTAKA Pengelolaan Hama Terpadu (Integrated Pest Management) Pengelolaan Hama Terpadu adalah strategi pengelolaan hama yang berfokus pada pencegahan jangka panjang atau penekanan masalah hama dengan mengusahakan dampak seminimal mungkin pada kesehatan manusia, lingkungan dan organisme selain target (Flint et al. 2003). Teknik yang digunakan dalam pengelolaan hama tersebut mengupayakan agar pengelolaan hama dapat dilakukan secara biologis atau alami. Beberapa teknik itu adalah menggunakan spesies tanaman alternatif atau varietas yang tahan terhadap hama, memilih pestisida dengan tingkat kandungan racun yang rendah sehingga tidak membahayakan manusia atau organisme selain target, mengadopsi budidaya, pemangkasan, pemupukan atau praktik irigasi yang mampu mengurangi masalah hama dan menciptakan habitat yang tidak memungkinkan hama untuk berkembang biak. Pestisida digunakan sebagai pilihan terakhir ketika monitoring hama yang dilakukan menunjukkan bahwa penggunaan pestisida diperlukan. Pelaksanaan program pengelolaan hama terpadu memerlukan pemahaman yang mendalam tentang hama, sejarah kehidupan hama, kondisi lingkungan dan predator alami. Pengetahuan tersebut perlu didukung dengan implementasi yang tepat dan teratur, survei yang sistematis terhadap hama, perhitungan tingkat kerusakan yang terjadi dan bukti-bukti yang menunjukkan keberadaan hama. Pengukuran Tingkat Kerusakan Tanaman Salah satu cara mengenali intensitas serangan hama pada komoditas pertanian adalah dengan pemberian skor/nilai numerik untuk mengukur tingkat kerusakan tanaman. Untuk analisis kuantitatif, pengukuran aktual atau pendugaan visual intensitas serangan dari pengujian harus dicatat, kemudian dikonversi ke dalam skor untuk seleksi atau mempercepat pengelompokan (Deptan Balitbang 2003). Contoh pemberian skor tersebut dapat dilihat pada Tabel 1 sedangkan ilustrasi pemberian skor tingkat kerusakan tanaman dapat dilihat pada Gambar 1.

4 Tabel 1 Penilaian tingkat kerusakan tanaman Skor 0 1 2 3 4 5

Kerusakan (%) 0 < (=) 10 10-20 20-40 40-70 >70

Keterangan Tidak ada kerusakan Luas kerusakan ± 10% dari helaian daun Luas kerusakan 10-20% dari helaian daun Luas kerusakan 20-40% dari helaian daun Luas kerusakan 40-70% dari helaian daun Luas kerusakan > 70% dari helaian daun atau tanaman mati

Gambar 1 Ilustrasi penilaian tingkat kerusakan tanaman

Android Android adalah sistem operasi untuk telepon seluler yang berbasis Linux. Android menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi mereka sendiri, yang kemudian digunakan oleh bermacam peranti bergerak (Speckmann 2008). Gambar 2 menunjukkan komponen utama dari sistem operasi Android.

Gambar 2 Komponen sistem operasi Android

5 Computer Vision Komputer dapat digunakan sebagai media penyimpanan dan pengolahan citra digital. Citra digital adalah representasi objek fisik nyata tiga dimensi ke dalam bentuk dua dimensi. Citra ini kemudian dapat diolah untuk mendapatkan informasi lebih lanjut. Computer vision merupakan salah satu cabang ilmu komputer yang berkaitan dengan analisis citra untuk keperluan ekstraksi informasi. Computer vision merupakan metode yang mudah diaplikasikan untuk pengawasan (control) penyakit dan hama tanaman (Pokharkar dan Thool 2012). Metode ini dapat diaplikasikan untuk mengukur berbagai jenis gejala serangan hama, atau dapat dikembangkan sebagai sistem pemantau tanaman secara otomatis. Open Computer Vision (OpenCV) OpenCV adalah library open source yang dapat digunakan untuk mengembangkan aplikasi computer vision. OpenCV dapat diaplikasikan pada lingkungan sistem operasi Windows, Linux, Android dan Mac dengan bahasa pemrograman C, C++, Python dan Java. OpenCV dapat diaplikasikan untuk kepentingan akademis maupun komersial di bawah lisensi BSD, yang memungkinkan para pengembang aplikasi untuk menggunakan dan mendistribusikannya secara bebas (Laganiere 2011). Metode Otsu Metode Otsu ditemukan oleh Nobuyuki Otsu pada tahun 1979. Pada metode ini dilakukan pemilihan nilai ambang untuk membagi histogram citra gray level ke dalam dua daerah yang berbeda secara otomatis (Hongzhi dan Ying 2007). Pendekatan yang dilakukan oleh metode Otsu adalah dengan melakukan analisis diskriminan, yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis diskriminan akan memaksimumkan variabel tersebut agar dapat membagi objek latar depan (foreground) dan latar belakang (background). Citra dibagi menjadi dua kelas, yaitu C0 dan C1, dengan tingkat keabuan t yaitu C0 = {0,1,2,...,t} dan C1 = {t+1, t+2, t+3, ..., L-1}, L merupakan jumlah total piksel dari sebuah citra. Probabilitas tingkat keabuan setiap piksel pada level ke-i didefinisikan dalam persamaan:

𝑝𝑖 =

𝑛𝑖

(1)

𝑛

ni menyatakan jumlah piksel pada level ke-i. n menyatakan total jumlah piksel pada citra. C0 dan C1 direpresentasikan sebagai objek utama dan background, dengan kemungkinan pada kedua kelas adalah ω0 dan ω1 sesuai persamaan:

𝜔0 =

𝑡 𝑖=0 𝑝𝑖

(2)

6

𝜔1 =

𝐿−1 𝑖=𝑡+1 𝑝𝑖

(3)

Rata-rata dari dua kelas dapat dihitung menggunakan persamaan:

𝜇0 𝑡 =

𝜇1 𝑡 =

𝑡 𝑖=0 𝑝 𝑖

𝜔 0 𝑡 𝜇 1 (𝑡) 𝐿−1 𝑖=𝑡+1 𝑝 𝑖

𝜔1 𝑡

(4)

(5)

Total rata-rata dari keseluruhan citra didefinisikan dalam persamaan:

𝜇𝑇 =

𝐿−1 𝑖=0 𝑝𝑖

(6)

Nilai threshold terbaik t* dapat diperoleh dari persamaan: 𝑚𝑎𝑥 𝑡 ∗ = 𝐴𝑟𝑔 {𝜔 𝜇 − 𝜇 𝑇 2 + 𝜔1 (𝜇1 − 𝜇 𝑇 )2 } 0≤𝑡≤𝐿 0 0

(7)

Convex Hull Convex Hull didefinisikan sebagai set cembung terkecil dari S. Jika S terdiri atas satu set titik-titik dalam sebuah bidang, bayangkan di sekeliling set tersebut dibentangkan karet gelang, kemudian ketika karet gelang tersebut dilepaskan, maka set terluar yang dikelilingi karet gelang tersebut itulah yang disebut Convex Hull (Preparata dan Shamos 1985). Ilustrasinya dapat dilihat pada Gambar 3.

Gambar 3 Ilustrasi Convex Hull Fungsi di dalam OpenCV menemukan Convex Hull dari set titik-titik bidang 2 dimensi menggunakan algoritme Sklansky yang memiliki kompleksitas O(N logN) (OpenCV Developers Team 2013). Sklansky (1982) mengusulkan menggunakan algoritme 3 koin untuk menemukan Convex Hull dari n-poligon sederhana. Flowchart dari alur kerja algoritme 3 koin Sklansky dapat dilihat pada Gambar 4.

7

Gambar 4 Flowchart algoritme 3 koin Sklansky Tahapan-tahapan algoritme 3 koin yang digunakan Sklansky adalah sebagai berikut: 1 Temukan titik-titik sudut dari n-poligon dengan melakukan scanning ke kontur n-poligon tersebut. 2 Temukan titik sudut paling ekstrem dari n-poligon, yaitu titik dengan koordinat y terkecil, kemudian beri label p0. Jika ada lebih dari satu titik yang memiliki koordinat y yang sama, p0 adalah titik yang memiliki koordinat x terkecil. 3 Lakukan sorting pada setiap titik sudut selain p0 secara radial. Berikan label (p1, p2, pn+1) pada setiap titik tersebut dengan menggunakan p0 sebagai titik awal. 4 Tempatkan tiga koin pada titik p0, p1, p2. Masing-masing diberi label “pprev”, “pcur” dan “pnext” secara berturut-turut.

8 5

Lakukan: Jika (posisi tiga koin membentuk garis yang berlawanan arah jarum jam) - Pindahkan posisi koin “pcur” ke titik di di belakang koin “pprev”. - Hapus atau abaikan titik yang ditempati koin “pcur” sebelumnya dan edge yang menghubungkannya. - Ubah label koin “pcur” menjadi “pprev” dan “pprev” menjadi “pcur”. Jika (posisi tiga koin membentuk garis yang searah jarum jam atau membentuk garis lurus) - Pindahkan posisi koin “pprev” ke titik di depan koin “pnext”. - Ubah label koin “pprev” menjadi “pnext”, “pnext” menjadi “pcur”, dan “pcur” menjadi “pprev”. Lakukan perulangan langkah no. 4 sampai koin “pnext” berada di posisi titik p0 lagi dan posisi ketiga koin membentuk garis yang searah jarum jam atau membentuk garis lurus. 6 Titik dan edge yang telah terhubung semua merupakan bentuk Convex Hull dari n-poligon tersebut.

METODE Aplikasi mobile untuk rekonstruksi dan identifikasi area kerusakan daun bekerja pada mobile device (client) dan server. Pada sisi client, citra input diperoleh langsung dari kamera ponsel atau dari citra yang telah disimpan pada gallery ponsel. Selanjutnya citra input akan dikirimkan ke server melalui jaringan internet untuk dilakukan proses selanjutnya. Hasil dari rekonstruksi citra daun akan ditampilkan di sisi client (mobile device). Alur dari metode penelitian ini dapat dilihat pada Gambar 5.

Gambar 5 Metode penelitian

9 Akuisisi Citra Citra yang digunakan sebagai input adalah citra dalam bentuk RGB yang diperoleh langsung dari kamera ponsel atau dari citra yang telah disimpan di dalam gallery ponsel. Citra input diletakkan pada background putih saat pengambilan citra agar citra yang diproses tidak terganggu oleh background yang beragam. Selanjutnya, citra RGB yang semula berukuran 5184x3456 piksel diubah menjadi citra grayscale dan diubah ukurannya menjadi 270x180 piksel menggunakan scaling untuk meringankan kinerja aplikasi saat citra dikirim ke server. Segmentasi Citra grayscale yang telah mengalami scaling dikonversi ke dalam bentuk citra biner menggunakan metode Otsu di tahapan segmentasi ini. Segmentasi dilakukan agar tahapan rekonstruksi dapat dilakukan. Rekonstruksi Proses rekonstruksi ini diperlukan untuk memperoleh citra daun yang tidak rusak, sehingga bisa digunakan untuk menghitung seberapa besar area kerusakan daun. Pada tahap ini, dilakukan proses deteksi sudut pada titik-titik terluar daun yang rusak. Kemudian dengan metode Convex Hull, titik-titik sudut yang telah terdeteksi tersebut dihubungkan dengan garis, sehingga area daun yang rusak dapat tertutup kembali sesuai dengan kontur daun sebelum rusak. Perhitungan Area Kerusakan Berdasarkan penelitian Nazaré-JR et al. (2010), tingkat kerusakan yang terjadi pada daun dapat diestimasi dengan mencari selisih antara luas area citra daun rusak yang telah direkonstruksi dengan luas area citra daun rusak sebelum direkonstruksi. Pada tahapan ini dilakukan perhitungan untuk mengestimasi seberapa besar area kerusakan yang terjadi pada daun dengan menggunakan persamaan: IDAMAGED = IFINAL – ISEG

(9)

ISEG diperoleh dari perhitungan jumlah piksel putih pada citra daun rusak hasil segmentasi. IFINAL diperoleh dari perhitungan jumlah piksel putih pada citra daun hasil rekonstruksi. Kemudian, dengan menggunakan nilai IDAMAGED dapat dihitung persentase tingkat kerusakan pada daun dengan persamaan: P=

IDAMAGED IFINAL

* 100%

(10)

10 Evaluasi Setelah dilakukan perhitungan untuk mengestimasi seberapa besar area kerusakan daun, kemudian dilakukan perhitungan tingkat kesalahan akurasi hasil rekonstruksi kerusakan daun, yang diterapkan dalam persamaan: ∆I IORI

* 100%

(11)

∆𝐼 diperoleh dari selisih antara IFINAL dan IORI IORI diperoleh dari perhitungan jumlah piksel putih pada citra daun asli sebelum rusak. IFINAL diperoleh dari perhitungan jumlah piksel putih pada citra hasil rekonstruksi. Tahapan evaluasi ini dilakukan untuk melihat seberapa tepat akurasi dari rekonstruksi area kerusakan daun menggunakan Convex Hull. Alat Peralatan yang digunakan dalam penelitian ini adalah sebagai berikut : Perangkat lunak:    

Microsoft Windows XP Professional SP2 Microsoft Visual C++ 2005 Eclipse Android SDK Windows

Perangkat keras:   

Processor Intel Celeron M 1,6 GHz RAM 1,5 GB Harddisk 240 GB

HASIL DAN PEMBAHASAN Dalam penelitian ini dilakukan proses rekonstruksi daun yang rusak. Untuk mengukur seberapa besar akurasi proses rekonstruksi, data yang diambil pertama kali adalah citra daun sebelum rusak. Kemudian daun yang belum rusak tersebut dirusak secara manual untuk memperoleh citra daun yang rusak. Citra daun sebelum rusak dan citra daun setelah dirusak secara manual tersebut disimpan di dalam gallery ponsel. Dengan metode pengambilan data ini, citra daun yang belum rusak dan daun yang telah rusak dapat dibandingkan. Dengan perbandingan tersebut, dapat diketahui besar area kerusakan yang terjadi pada daun tersebut. Selain itu, dapat

11 diperoleh juga perbandingan antara citra daun hasil rekonstruksi dengan citra daun asli sebelum rusak. Dengan begitu dapat diukur tingkat akurasi algoritme Convex Hull yang digunakan dalam proses rekonstruksi. Akuisisi Citra Citra yang digunakan sebagai input adalah citra daun salam, daun kemuning dan daun sirih sebanyak 45 citra, masing-masing terdiri dari 15 citra. Citra yang digunakan sebagai input diletakkan pada background putih saat pengambilan citra, agar citra yang diproses tidak terganggu oleh background yang beragam. Citra RGB yang masuk kemudian diubah ke dalam bentuk grayscale. Selanjutnya, citra grayscale yang semula berukuran 5184x3456 piksel diubah ukurannya menjadi 270x180 piksel tanpa mengubah proporsi citra dengan melakukan proses scaling, agar proses yang berjalan di aplikasi nanti menjadi lebih ringan. Contoh sampel citra daun salam, daun kemuning dan daun sirih dapat dilihat pada Gambar 6, Gambar 7, dan Gambar 8.

Gambar 6 Citra daun salam

Gambar 7 Citra daun kemuning

Gambar 8 Citra daun sirih Segmentasi Citra grayscale yang telah mengalami proses scaling kemudian diubah ke mode biner menggunakan metode Otsu. Contoh hasil segmentasi dapat dilihat pada Gambar 9 dan Gambar 10.

12

Gambar 9 Daun kemuning yang belum rusak

Gambar 10 Daun kemuning yang sudah rusak Rekonstruksi Dalam proses rekonstruksi daun rusak, digunakan algoritme Convex Hull untuk mendeteksi titik terluar dari bentuk geometri daun tersebut. Setelah titik terluar dari bentuk geometri daun terdeteksi, titik-titik tersebut dihubungkan dengan garis. Jika tiap titik terluar telah terhubung dengan garis, selanjutnya bagian di dalam garis tersebut diisi dengan warna putih untuk menutup area kerusakan daun. Contoh citra daun rusak sebelum proses rekonstruksi dapat dilihat di Gambar 11. Contoh citra daun hasil rekonstruksi dapat dilihat pada Gambar 12.

Gambar 11 Citra daun rusak sebelum rekonstruksi

Gambar 12 Citra daun hasil rekonstruksi

13 Perhitungan Area Kerusakan Setelah citra daun rusak telah direkonstruksi. Pada tahapan ini dilakukan perhitungan untuk mengestimasi seberapa besar area kerusakan daun dengan menggunakan persamaan (10). Evaluasi Setelah dilakukan perhitungan untuk mengestimasi seberapa besar area kerusakan yang terjadi pada daun. Kemudian dilakukan perhitungan tingkat kesalahan akurasi hasil rekonstruksi kerusakan daun dengan menggunakan persamaan (11). Tahapan ini dilakukan untuk melihat seberapa tepat akurasi dari rekonstruksi area kerusakan daun menggunakan Convex Hull. Hasil dan Analisis Hasil perhitungan estimasi persentase kerusakan daun dan hasil rekonstruksi masing-masing sampel citra daun dapat dilihat pada Tabel 2, Tabel 3, dan Tabel 4.

Tabel 2 Hasil rekonstruksi daun salam No

Citra Daun Asli

Citra Daun Rusak

Citra Daun Rekonstruksi

IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

1 6025

5985

5813

5737

5670

5574

3.14 %

2.55 %

3.51%

5.57 %

2.17 %

4.78%

6.70 %

2.05 %

5.89%

7.67 %

1.92 %

7.48%

9.16 %

1.84 %

6141

5 6025

0.66%

6149

4 6025

Persentase Kesalahan Akurasi Rekonstruksi

6156

3 6025

Estimasi Persentase Kerusakan Daun

6179

2 6025

Persentase Kerusakan Daun

6136

14 No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

6 6025

5475

5248

4703

4193

3353

2916

2651

2348

2005

0.96 %

21.94%

18.77 %

3.90 %

30.40%

20.56 %

12.39 %

44.34%

30.25 %

20.21 %

51.60%

27.12 %

33.59 %

56%

30.64 %

36.56 %

61.02%

28.98 %

45.12 %

66.72%

27.51 %

54.09 %

3306

14 6025

13.73 %

3822

13 6025

12.89%

4001

12 6025

1.39 %

4807

11 6025

10.38 %

5278

10 6025

9.12%

5790

9 6025


6083

8 6025


6109

7 6025


2766

15 No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

15 6025

1522




74.73%

17.91 %

69.22 %

1854

Rata-rata tingkat kesalahan akurasi rekonstruksi

19.19 %

Berdasarkan hasil perhitungan yang diperoleh pada Tabel 2. Persentase tingkat kesalahan akurasi hasil rekonstruksi pada citra daun salam ke-1 sampai citra ke-7 semakin menurun, kemudian mengalami kenaikan pada citra ke-8 sampai citra ke-15. Tingkat keberhasilan rekonstruksi kerusakan daun terbaik terjadi pada citra daun salam ke-7 dengan persentase kesalahan akurasi rekonstruksi 0.96%. Algoritme Convex Hull masih dapat bekerja dengan baik sampai pada tingkat kerusakan 12.89% di citra ke-7. Ketika kerusakan daun lebih besar dari 12.89%, akurasi rekonstruksi kerusakan daun semakin menurun.

Tabel 3 Hasil rekonstruksi daun kemuning No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

1 6013

5942

5785

5678

5557

1.18%

3.68 %

2.59 %

3.79%

6.13 %

2.49 %

5.57%

7.45 %

2.02 %

7.58%

9.13 %

1.69 %

6135

4 6013


6163

3 6013


6169

2 6013


6115

16 No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

5 6013

5423

5282

5132

4669

4212

3732

3188

2771

2464

1.53 %

14.65%

15.54 %

1.04 %

22.35%

22.13 %

0.28 %

29.95%

26.49 %

4.70 %

37.93%

30.15 %

11.14%

46.98%

33.14 %

20.70 %

53.91%

25.93 %

37.78 %

59.02%

29.03 %

42.25 %

3741

13 6013

13.48 %

4768

12 6013

12.15%

5343

11 6013

1.61 %

5730

10 6013l

11.24 %

5996

9 6013

9.81%

6076

8 6013


6105

7 6013


6110

6 6013


3472

17 No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

14 1978

6013

1522



67.10%

29.53 %

53.31 %

74.68%

17.91 %

69.16 %

2807

15 6013


1854

Rata-rata tingkat kesalahan akurasi hasil rekonstruksi

16.81 %

Berdasarkan hasil perhitungan yang diperoleh pada Tabel 3. Persentase tingkat kesalahan akurasi hasil rekonstruksi pada citra daun salam ke-1 sampai citra ke-8 semakin menurun, kemudian mengalami kenaikan pada citra ke-9 sampai citra ke-15. Tingkat keberhasilan rekonstruksi kerusakan daun kemuning terbaik terjadi pada citra daun salam ke-8 dengan persentase kesalahan akurasi rekonstruksi 0.28%. Algoritme Convex Hull masih dapat bekerja dengan baik sampai pada tingkat kerusakan 22.35% di citra ke-8. Ketika kerusakan daun lebih besar dari 22.35%, akurasi rekonstruksi kerusakan daun semakin menurun. Tabel 4 Hasil rekonstruksi daun sirih No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

1 7456

7435

7337

7201


0.28%

3.54 %

3.26 %

1.59%

4.81 %

3.26 %

3.42%

6.35 %

3.03 %

7708

3 7456


7708

2 7456


7689

18 No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

4 7456

7073

6815

6665

6381

5980

5527

5022

4506

4168

1.71 %

10.60%

11.52 %

1.02 %

14.41%

10.89 %

4.11 %

19.79%

12.39 %

9.22 %

25.87%

14.69 %

15.07 %

32.64%

15.81 %

24.99 %

39.56%

16.49 %

38.17 %

44.09%

20.02 %

43.08 %

5396

12 7456

10.16 %

5965

11 7456

8.59%

6479

10 7456

2.94 %

6826

9 7456

7.93 %

7161

8 7456

5.13%

7533

7 7456


7586

6 7456


7682

5 7456


5211

19 No

Citra Daun Asli

Citra Daun Rusak


IORI (piksel)

ISEG (piksel)

IFINAL (piksel)

13 7456

3900

3439

3108


47.69%

22.48 %

48.20 %

53.87%

25.30 %

61.94 %

58.31%

27.14 %

74.77 %

4604

15 7456


5031

14 7456


4266

Rata-rata tingkat kesalahan akurasi hasil rekonstruksi

22.31 %

Berdasarkan hasil perhitungan yang diperoleh pada Tabel 4, citra daun sirih ke-1 dan ke-2 memiliki persentase kerusakan sebesar 0.28% dan 1.59% serta memiliki estimasi persentase kerusakan sebesar 3.54% dan 4.81%. Meskipun memiliki persentase kerusakan dan estimasi persentase kerusakan yang berbeda, tapi citra ke-1 dan citra ke-2 memiliki kesalahan akurasi rekonstruksi sama, yaitu 3.26%. Hal ini disebabkan karena kerusakan pada daun berbentuk lubang yang terjadi di dalam area daun dan tidak merusak kontur daun. Karena tidak merusak kontur daun, sehingga hasil rekonstruksi kedua citra tersebut sama. Tingkat keberhasilan rekonstruksi kerusakan daun sirih terbaik terjadi pada citra daun salam ke-6 dengan persentase kesalahan akurasi rekonstruksi 1.02%. Algoritme Convex Hull masih dapat bekerja dengan baik sampai pada tingkat kerusakan 10.60% di citra ke-6. Ketika kerusakan daun lebih besar dari 10.60%, akurasi rekonstruksi kerusakan daun semakin menurun. Setelah dilakukan perhitungan terhadap estimasi tingkat kerusakan daun dan tingkat kesalahan akurasi hasil rekonstruksi citra daun, dapat dianalisis bahwa semakin besar kerusakan yang terjadi pada daun, terutama yang merusak kontur asli daun tersebut, semakin kecil area daun yang dapat direkonstruksi. Sehingga hasil rekonstruksi kerusakan pada daun juga semakin jauh dari bentuk asli citra daun sebelum terjadi kerusakan. Dengan kata lain, semakin besar kerusakan yang terjadi pada daun, semakin turun pula tingkat akurasi rekonstruksi daun tersebut. Dalam hal ini, algoritme Convex Hull memiliki batas maksimal kerusakan daun yang masih dapat direkonstruksi kerusakannya. Berdasarkan hasil yang ditampilkan pada Tabel 2, Tabel 3 dan Tabel 4, dapat dilihat bahwa algoritme Convex Hull masih dapat melakukan rekonstruksi kerusakan daun dengan baik pada citra daun salam dengan batas maksimal kerusakan 12.89%. Ketika tingkat kerusakan daun salam lebih besar dari 12.89%, maka akurasi rekonstruksi

20 algoritme Convex Hull semakin menurun. Hal serupa juga terjadi pada citra daun kemuning dan sirih. Citra daun kemuning memiliki batas maksimal kerusakan 22.35% dan citra daun sirih memiliki batas maksimal kerusakan 10.60%. Tingkat akurasi rekonstruksi daun rusak juga dipengaruhi oleh bentuk kontur daun asli yang belum rusak. Algoritme Convex Hull memiliki kelemahan untuk melakukan rekonstruksi kerusakan pada daun yang memiliki kontur asli terlalu banyak lengkungan dan bertulang daun menjari. Algoritme Convex Hull hanya dapat melakukan proses rekonstruksi pada daun yang memiliki kontur asli tidak terlalu banyak lengkungan dan memiliki tulang daun menyirip. Hasil Antarmuka Sistem Antarmuka aplikasi mobile RecLeaf terdiri dari 3 menu utama, yaitu menu galeri, menu rekonstruksi dan menu petunjuk. Menu galeri digunakan untuk melihat galeri dari daun sampel yang digunakan. Antarmuka menu galeri dapat dilihat pada Gambar 13.

Gambar 13 Antarmuka menu galeri Menu rekonstruksi digunakan untuk menjalankan tahapan pra proses dan rekonstruksi citra daun rusak. Citra daun rusak diambil dari galeri ponsel. Antarmuka menu rekonstruksi dapat dilihat pada Gambar 14.

21

Gambar 14 Antarmuka menu rekonstruksi Hasil segmentasi citra daun rusak dapat dilihat pada Gambar 15. Sedangkan hasil rekonstruksi daun rusak dan perhitungan area kerusakan daun dapat dilihat pada Gambar 16.

Gambar 15 Antarmuka hasil segmentasi

22

Gambar 16 Antarmuka hasil rekonstruksi Menu petunjuk digunakan untuk melihat petunjuk penggunaan aplikasi mobile RecLeaf. Antarmuka menu petunjuk dapat dilihat pada Gambar 17.

Gambar 17 Antarmuka menu petunjuk

23

SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang telah dilakukan dalam rekonstruksi dan identifikasi area kerusakan daun ini, dapat diambil kesimpulan sebagai berikut: 1

Rekonstruksi daun yang rusak dapat dilakukan menggunakan algoritme Convex Hull, dengan ketentuan bahwa kontur asli daun yang akan direkonstruksi tidak terlalu banyak lengkungan dan memiliki tulang daun menyirip. 2 Rata-rata tingkat kesalahan akurasi hasil rekonstruksi pada daun salam yang rusak adalah 19.19 %, sedangkan pada daun kemuning adalah 16.81 % dan pada daun sirih sebesar 22.31 %. 3 Algoritme Convex Hull dapat melakukan rekonstruksi kerusakan daun dengan baik pada citra daun salam dengan batas maksimal kerusakan 12.89%. Ketika tingkat kerusakan daun salam lebih besar dari 12.89%, maka akurasi rekonstruksi algoritme Convex Hull semakin menurun. Hal serupa juga terjadi pada citra daun kemuning dan sirih. Citra daun kemuning memiliki batas maksimal kerusakan 22.35% dan citra daun sirih memiliki batas maksimal kerusakan 10.60%. 4 Semakin besar kerusakan yang terjadi pada daun, semakin turun pula tingkat akurasi rekonstruksi daun tersebut, dikarenakan semakin kecil area daun yang dapat direkonstruksi menggunakan Convex Hull. 5 Rekonstruksi dan identifikasi area kerusakan daun menggunakan Convex Hull dapat diterapkan dalam bentuk aplikasi mobile. Saran Beberapa hal yang perlu dikembangkan lebih lanjut dari penelitian ini antara lain sebagai berikut: 1 Melakukan proses rekonstruksi daun yang rusak menggunakan algoritme selain Convex Hull. 2 Menggunakan algoritme yang dapat melakukan proses rekonstruksi area kerusakan daun yang memiliki kontur dan bentuk yang beraneka ragam. 3 Mengembangkan aplikasi mobile untuk rekonstruksi dan identifikasi area kerusakan daun yang dapat menggunakan citra input dengan background dinamis, selain background berwarna putih.

DAFTAR PUSTAKA [Deptan Balitbang] Departemen Pertanian, Badan Penelitian dan Pengembangan Pertanian Komisi Nasional Plasma Nutfah. 2003. Panduan Sistem

24 Karakterisasi dan Evaluasi Tanaman Padi. Bogor (ID): Sekretariat Komisi Nasional Plasma Nutfah. [Deptan DJTP] Kementrian Pertanian, Direktorat Jenderal Tanaman Pangan. 2010. Pedoman Pelaksanaan Perlindungan Tanaman Pangan Tahun 2010. Jakarta (ID): Deptan. [Deptan DJTP] Kementrian Pertanian, Direktorat Jenderal Tanaman Pangan. 2011. Laporan Tahunan 2010. Jakarta (ID): Deptan. Flint ML, Daar S, Molinar R. 2003. Establishing Integrated Pest Management Policies and Programs: A Guide for Public Agencies. University of California ANR Publication. 8093:1-13. Hongzhi W, Ying D. 2007. An Improved Image Segmentation Algorithm Based on Otsu Method. International Symposium on Photoelectronic Detection and Imaging. Proc. of SPIE Vol. 6625, 66250I, (2008) · 0277-786X/08/$18 · doi: 10.1117/12.790781. Laganiere R. 2011. OpenCV 2 Computer Vision Application Programming Cookbook. Birmingham (GB): Packt Publishing. Mura WD, Oliveira AL, Sgarbi EM, Sachs LG. 2007. Detecção automática da área foliar da soja danificada pelalagarta utilizando processamento digital de imagens.[Tanggal tidak diketahui]. [Kota tidak diketahui]:WUW-SIBGRAB, hlm 1–4. Nazaré-JR AC, Menotti D, Neves JMR. 2010. Automatic detection of the damaged leaf area in digital images of soybean. IWSSIP 2010 - 17th International Conference on Systems, Signals and Image Processing. [Edisi dan Halaman tidak diketahui]. OpenCV Developers Team. 2013. The OpenCV Reference Manual, Release 2.4.6.0. [Kota dan Penerbit tidak diketahui]. Pokharkar SR, Thool VR. 2012. Early Pest Identification in Greenhouse Crops using Image Processing Techniques. International Journal of Computer Science and Network (IJCSN). 1(3). Preparata FP dan Shamos MI. 1985. Computational Geometry: an Introduction. New York (US): Springer-Verlag New York Inc. Sklansky J. 1982. Finding the Convex Hull of a Simple Polygon. [Tanggal tidak diketahui]. [Kota tidak diketahui]: PRL 1, hlm 79-83. Speckmann B. 2008. The Android Mobile Platform [tesis]. Michigan (US): Eastern Michigan University. Department of Computer Science. Eastern Michigan University.

25

RIWAYAT HIDUP Penulis merupakan putra kedua dari pasangan Zaenal Hasan dan Noor Ayda (Alm) yang dilahirkan di Kudus pada tanggal 17 Oktober 1989. Penulis menyelesaikan pendidikan di sekolah dasar pada tahun 2001 di SD Negeri Demaan III. Pada tahun 2001 penulis melanjutkan pendidikan ke sekolah menengah pertama di SMP Negeri 2 Kudus dan lulus pada tahun 2004. Pada tahun 2007 penulis menyelesaikan sekolah menengah atas di SMA Negeri 1 Kudus. Pada tahun yang sama penulis diterima sebagai Mahasiswa Program Diploma III di Program Keahlian Teknik Komputer angkatan 44 Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk Institut Pertanian Bogor (USMI). Kemudian penulis melanjutkan pendidikan di Program Sarjana Alih Jenis Ilmu Komputer Institut Pertanian Bogor pada tahun 2010.

APLIKASI MOBILE UNTUK REKONSTRUKSI DAN IDENTIFIKASI AREA KERUSAKAN DAUN MENGGUNAKAN CONVEX HULL YUSRIZAL IHYA

Recommend Documents