IDENTIFIKASI PENYAKIT TANAMAN MENGGUNAKAN FAST FOURIER TRANSFORM DAN LOCAL BINARY PATTERN DENGAN PROBABILISTIC NEURAL NETWORK (STUDI KASUS : TANAMAN ANTHURIUM DAN PADI)
BENI SAID ALFARISI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
ABSTRACT BENI SAID ALFARISI. Plant disease identification using Fast Fourier Transform and Local Binary Patterns with Probabilistic Neural Network (case study Rice and Anthurium). Supervised by YENI HERDIYENI. Plant diseases can result in death and decreased quality and quantity of agricultural products that are economically significant to cause losses for farmers. This research proposes a new system to identify plant disease automatically based on plant leaf image. Fast Fourier Transform (FFT) and Local Binary Patterns (LBP) are used to extract the features. There are nine features had been resulted by FFT i.e. mean, variance, different value of maximum and minimum levels, different value of maximum and mean levels, standard deviation, skewness, kurtosis, entropy, and the highest pixel value. Then these features are combined and classified using Probabilistic Neural Network. The result shows us that these features can be used to identify plants disease, best accuracy to indentify plants disease is 85.56%. The proposed system is promising since it is capable to identify disease plants species efficiently and accurately. Keywords: fast fourier transform, local binary patterns, probabilistic neural network.
IDENTIFIKASI PENYAKIT TANAMAN MENGGUNAKAN FAST FOURIER TRANSFORM DAN LOCAL BINARY PATTERN DENGAN PROBABILISTIC NEURAL NETWORK (STUDI KASUS : TANAMAN ANTHURIUM DAN PADI)
BENI SAID ALFARISI
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Judul
Nama NRP
: Identifikasi Penyakit Tanaman Menggunakan Fast Fourier Transform dan Local Binary Pattern dengan Probabilistic Neural Network (Studi Kasus Tanaman Anthurium dan Padi) : Beni Said Alfarisi : G64086023
Menyetujui:
Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Mengetahui: Ketua Departeman Ilmu Komputer Institut Pertanian Bogor
Dr. Ir. Sri Nurdiati, M.Sc. NIP 19601126 198601 2 001
Tanggal Lulus:
RIWAYAT HIDUP Penulis dilahirkan di Bangun Sari, Kisaran, Sumatera Utara pada tanggal 07 Juni 1987 dari pasangan Baten S.Pd Tampubolon dan Nuraini Lubis. Penulis merupakan putra pertama dari tiga bersaudara. Tahun 2005 penulis lulus dari SMA Negeri 1 Kisaran dan pada tahun yang sama lulus seleksi masuk Diploma IPB melalui jalur USMI (Undangan Seleksi Masuk IPB). Tahun 2008 penulis lulus dari Diploma IPB dan pada tahun yang sama diterima di Ekstensi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
PRAKATA Alhamdulilahirobbil’alamin, segala puji syukur penulis panjatkan kehadirat Allah SWT atas segala karunia-Nya sehingga tugas akhir ini berhasil diselesaikan. Topik tugas akhir yang dipilih dalam penelitian adalah Identifikasi Penyakit Tanaman menggunakan Fast Fourier Transform dan Local Binary Pattern dengan Probabilistic Neural. Penulis sadar bahwa tugas akhir ini tidak akan terwujud tanpa bantuan dari berbagai pihak. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada: 1 Ibu Dr. Yeni Herdiyeni, S.Si.,M.Kom. selaku dosen pembimbing tugas akhir. Terima kasih atas kesabaran dan dukungan dalam penyelesaian tugas akhir ini. 2 Ayah, Ibu, dan Adik-adik tercinta, Salman dan Fahmi yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis. 3 Bapak Sony Hartono Wijaya, S.Kom., M.Kom. dan Azis Kustiyo, S.Si., M.Kom. selaku dosen penguji. 4 Arvianto, Irvan, Ryan, Rudi dan Adit sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis. 5 Seluruh teman-teman X3 Ilkom terima kasih atas dukungan, kebersamaan, dan kekeluargaanya kepad penulis. Penulis menyadari bahwa dalam penulisan tugas akhir ini masih terdapat banyak kekurangan dan kelemahan dalam berbagai hal karena keterbatasan kemampuan penulis. Penulis berharap adanya masukan berupa saran atau kritik yang bersifat membangun dari pembaca demi kesempurnaan tugas akhir ini. Semoga tugas akhir ini bermanfaat.
Bogor, Juni 2011
Beni Said Alfarisi
iii
DAFTAR ISI Halaman DAFTAR ISI .................................................................................................................................... iv DAFTAR GAMBAR ........................................................................................................................ v DAFTAR TABEL ............................................................................................................................. v DAFTAR LAMPIRAN ..................................................................................................................... v PENDAHULUAN............................................................................................................................. 1 Latar Belakang .............................................................................................................................. 1 Tujuan ........................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................. 1 TINJAUAN PUSTAKA .................................................................................................................... 1 Anthurium ..................................................................................................................................... 1 Padi ............................................................................................................................................... 2 Algoritme Zooming ....................................................................................................................... 3 Fast Fourier Transform ................................................................................................................ 4 Local Binary Patterns ................................................................................................................... 5 Probabilistic Neural Network ....................................................................................................... 7 METODOLOGI PENELITIAN ........................................................................................................ 8 Data Citra Daun ............................................................................................................................ 8 Ekstraksi Fitur dengan Fast Fourier Transform ........................................................................... 8 Ekstraksi Fitur Tekstur.................................................................................................................. 8 Ekstraksi tekstur menggunakan ...................................................................................... 9 Klasifikasi dengan Probabilistic Neural Network ........................................................................ 9 Pengujian dengan Sistem .............................................................................................................. 9 HASIL DAN PEMBAHASAN ......................................................................................................... 9 Hasil Praproses ........................................................................................................................... 10 Hasil Pemodelan Fast Fourier Transform .................................................................................. 10 Hasil Ekstraksi Tekstur dengan .................................................................................... 10 Identifikasi Citra ......................................................................................................................... 11 Hasil Pengujian Data Anthurium dan Padi dengan Klasifikasi PNN .......................................... 12 KESIMPULAN DAN SARAN ....................................................................................................... 13 Kesimpulan ................................................................................................................................. 13 Saran ........................................................................................................................................... 13 DAFTAR PUSTAKA ..................................................................................................................... 13 LAMPIRAN .................................................................................................................................... 15
iv
DAFTAR GAMBAR Halaman 1 Tanaman hias Anthurium. .............................................................................................................. 2 2 Bercak Daun pada Anthurium. ....................................................................................................... 2 3 Bercak Kuning pada Anthurium. .................................................................................................... 2 4 Tungro pada Padi. .......................................................................................................................... 3 5 Blas pada Padi. ............................................................................................................................... 3 6 Bercak coklat pada Padi. ................................................................................................................ 3 7 Hawar daun pada Padi. ................................................................................................................... 3 8 Ilustrasi Algoritme Zooming. ......................................................................................................... 4 9 Circular neighborhood delapan sampling points. ......................................................................... 6 10 Beberapa ukuran circular neighborhood..................................................................................... 6 11 Rotation Invariant LBP. ............................................................................................................... 6 12 Tekstur uniform patterns. ............................................................................................................. 7 13 Struktur Probabilistic Neural Network. ....................................................................................... 7 14 Metodologi Penelitian. ................................................................................................................. 8 15 Ilustrasi pembagian ukuran blok pada citra. ................................................................................. 9 16 Pembentukan histogram. .............................................................................................................. 9 17 Praproses data citra berpenyakit, di cropping dan mode warna diubah menjadi grayscale. ...... 10 18 Citra hasil praproses, spektrum fouriernya, dan histogram hasil spektrum fourier. ................... 10 19 Histogram descriptor citra tanaman hias Anthurium sp. ............................................. 11 20 Hasil akurasi pengujian klasifikasi jenis penyakit dengan menggunakan fitur FFT, , dan penggabungan fitur FFT dengan
. .......................................................................... 13
DAFTAR TABEL Halaman 1 Operator descriptor ........................................................................................................................ 9 2 Nilai ciri tekstur FFT .................................................................................................................... 10 3 Akurasi klasifikasi PNN ............................................................................................................... 11 4 Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan fitur FFT ................................. 12 5 Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan fitur .......................... 12 6 Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan penggabungan fitur FFT dengan ............................................................................................................................ 12
DAFTAR LAMPIRAN Halaman 1 Citra penyakit yang digunakan dalam penelitian. ........................................................................ 16 2 Pemodelan pengujian identifikasi citra dengan sistem. ................................................................ 19
v
PENDAHULUAN Latar Belakang Penyakit tanaman adalah kondisi dimana sel dan jaringan tanaman tidak dapat berfungsi secara normal, yang disebabkan adanya gangguan secara terus menerus oleh gen patogenik (biotik) atau faktor lingkungan (abiotik) dan akan menghasilkan perkembangan gejala. Penyakit tanaman terjadi bila salah satu atau beberapa fungsi fisiologis tanaman menjadi abnormal karena adanya gangguan patogen atau kondisi lingkungan tertentu. Penyakit yang menyerang tanaman diantaranya Bercak Daun, Bercak Kuning (pada tanaman Anthurium), Tungro, Leaf Blast, Brown Spot, dan Hawar Daun (pada tanaman Padi). Penyakit tersebut dapat mengakibatkan kematian dan penurunan kualitas dan kuantitas hasil pertanian secara signifikan sehingga secara ekonomis dapat menyebabkan kerugian bagi petani. Untuk itu diperlukan identifikasi dini terhadap penyakit yang menyerang tanaman agar mudah dilakukan pencegahan. Identifikasi penyakit tanaman dapat ditentukan berdasarkan fitur atau penciri dari suatu citra berpenyakit. Secara umum fitur citra berupa warna, bentuk, dan tekstur. Kebapci et al. (2009) telah melakukan penggabungan ekstraksi ciri warna, bentuk, dan tekstur untuk temu kembali citra tanaman hias menggunakan Gabor dan SIFT. Pada penelitian ini fitur atau penciri yang digunakan adalah fitur tekstur, sedangkan ciri warna dan bentuk tidak dapat digunakan, disebabkan adanya kemiripan antara penyakit yang satu dengan lainnya sehingga sulit untuk dijadikan penciri dalam menentukan jenis penyakit. Penelitian tentang penyakit pada tanaman sebelumnya sudah dilakukan. Phadikar dan Jaya Sil (2008) melakukan penglasifikasian daun padi yang berpenyakit mengggunakan jaringan syaraf tiruan Self–Organizing Maps (SOM). Sebelum dilakukan penglasifikasian penelitian di atas terlebih dahulu melakukan segmentasi terhadap citra penyakit yang akan diolah. Umumnya proses segmentasi sulit dilakukan, membutuhkan waktu yang lama dan membutuhkan usaha yang tidak kecil untuk melakukannya. Untuk mengatasi permasalahan seperti ini (Nisa 2006) melakukan identifikasi cacat citra tekstur batik dengan menggunakan Fast Fourier Transform (FFT). Spektrum fourier yang dihasilkan dari FFT kemudian dihitung
berdasarkan parameter statistik yaitu mean, standar deviasi, skewness, kurtosis, dan nilai piksel tertinggi untuk mendapatkan ekstraksi cirinya. Kulsum (2010) menggunakan metode Local Binary Pattern (LBP) sebagai ekstraksi cirinya dalam mengidentifikasi jenis tanaman hias. Metode LBP merupakan metode ekstraksi ciri berdasarkan ciri tekstur tanpa melakukan tahap segmentasi di dalamnya. LBP bekerja dengan membagi citra ke dalam beberapa local region dan setiap local region diekstraksi untuk mendapatkan pola biner lokal. Penelitian ini mengidentifikasi penyakit daun pada tanaman Padi dan Anthurium dengan menerapkan FFT dan LBP untuk ekstraksi cirinya. Kemudian dilakukan klasifikasi hasil ekstraksi yang telah didapat sebelumnya dengan menggunakan Probabilistic Neural Network (PNN). Diharapkan identifikasi penyakit daun dengan metode PNN akan meningkatkan akurasi klasifikasi, sehingga identifikasi yang dihasilkan dapat lebih akurat. Tujuan Tujuan penelitian ini adalah menerapkan metode Fast Fourier Transform dan Local Binary Pattern descriptor sebagai ekstraksi ciri dengan Probabilistic Neural Network untuk klasifikasi penyakit pada daun tanaman. Ruang Lingkup Ruang lingkup Penelitian ini adalah identifikasi penyakit tanaman Padi dan Anthurium di Persawahan Desa Laladon dan Balai Penelitian Segunung Cipanas, Bogor, Jawa Barat. Penyakit yang akan diidentifikasi dalam penelitian ini adalah penyakit Bercak Daun dan Bercak Kuning (pada tanaman Anthurium), Tungro, Leaf Blast, Brown Spot, dan Hawar Daun (pada tanaman Padi).
TINJAUAN PUSTAKA Anthurium Anthurium termasuk keluarga Araceae yang memunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Dalam keluarga Araceae, Anthurium adalah genus dengan jumlah jenis terbanyak. Diperkirakan ada sekitar seribu jenis anggota marga Anthurium. Beberapa jenis tanaman Anthurium dapat dilihat pada Gambar 1.
1
2 Bercak Kuning Bercak Kuning sering menyerang tanaman dan telah menjadi momok yang menakutkan bagi pekebun dan hobiis. Cirinya adalah mulamula muncul noktah kecil berwarna kuning pada daun yang semakin lama semakin lebar, hingga seluruh permukaan daun Anthurium tertutup warna kuning (Gambar 3).
Gambar 1 Tanaman hias Anthurium. Dalam sistematika (taksonomi) tumbuhan, tanaman anthurium memunyai klasifikasi sebagai berikut: Kingdom Subkingdom Divisi Sub-Divisi Kelas Subkelas Ordo Famili Genus Spesies
: Plantae : Tracheobionta : Spermatophyta : Angispermae : Monocotyledonae : Aracidae : Arales : Araceae : Anthurium : A. Crytallianum, A.jemanii, A. Hookeri, dan lain-lain.
(Tirja 2009). Penyakit yang menyerang tanaman hias pada umumnya disebabkan oleh dua penyebab utama yaitu jamur dan bakteri. Serangan jamur lebih sering dijumpai daripada serangan bakteri. Akar, batang, dan daun adalah bagian dari tanaman yang sering terserang penyakit. Bagian tanaman yang dijadikan penelitian adalah daun. Pemilihan daun disebabkan ciri dan karakteristiknya merupakan keutamaan untuk membedakan jenis satu dengan yang lainnya. Berikut adalah dua penyakit yang menyerang tanaman hias yang dibahas dalam penelitian ini: 1 Bercak Daun Bercak Daun disebabkan oleh jamur Botrytis Sp. Cirinya adalah munculnya bercak di daun. Bercak tersebut langsung menyambung dengan warna asli daun yang sehat. Bercak tersebut lama kelamaan akan membusuk (Gambar 2).
Gambar 3 Bercak Kuning pada Anthurium. Padi Padi merupakan tanaman pangan berupa rumput berumpun. Tanaman pertanian kuno berasal dari dua benua yaitu Asia dan Afrika Barat tropis dan subtropis. Berdasarkan literatur Grist (1960) tanaman padi dalam sistematika tumbuhan (taksonomi) diklasifikasikan sebagai berikut: Kingdom : Plantae Divisi : Spermatophyta Sub divisi : Angiospermae Kelas : Monotyledonae Keluarga : Gramineae (Poaceae) Genus : Oryza Spesies : Oryza spp (BPP Teknologi 2011). Penyakit yang menyerang tanaman padi biasanya disebabkan oleh hama dan bakteri. Sama seperti tanaman hias Anthurium bagian tanaman seperti akar, batang, dan daun adalah bagian yang sering terserang penyakit. Pada penelitian ini penyakit yang diteliti adalah penyakit yang menyerang daun. Berikut adalah dua penyakit yang menyerang tanaman padi yang dibahas dalam penelitian ini: 1 Tungro Penyakit Tungro ditularkan oleh wereng hijau dan dapat dikendalikan melalui pergiliran varietas tahan yang memiliki tetua berbeda, pengaturan waktu tanam, sanitasi dengan menghilangkan sumber tanaman sakit, dan penekanan populasi wereng hijau dengan insektisida (Syam et al. 2007). Cirinya adalah warna daun tanaman yang sakit bervariasi, dari sedikit menguning sampai jingga (Gambar 4).
Gambar 2 Bercak Daun pada Anthurium.
2
merupakan gejala yang paling umum dijumpai pada pertanaman yang telah mencapai fase tumbuh anakan sampai fase pemasakan (Syam et al. 2007). Gambar 4 Tungro pada Padi. 2 Blas (Leaf Blast) Penyakit ini disebabkan oleh jamur patogen Pyricularia grisae. Penyakit Blas menimbulkan dua gejala khas, yaitu blas daun dan blas leher. Blas daun merupakan bercak coklat kehitaman, berbentuk belah ketupat, dengan pusat bercak berwarna putih (Gambar 5). Sedangkan blas leher berupa bercak coklat kehitaman pada pangkal leher yang dapat mengakibatkan leher malai tidak mampu menopang malai dan patah (Syam et al. 2007).
Gambar 5 Blas pada Padi. Penyakit ini dikendalikan melalui penanaman varietas lahan secara bergantian untuk mengantisipasi perubahan ras blas yang sangat cepat dan dengan cara pemupukan NPK yang tepat. 3 Bercak Coklat (Brown Spot) Penyakit Bercak Coklat disebabkan oleh jamur Helmintosporium oryzae (Syam et al. 2007). Gejala yang paling umum dari penyakit ini adalah bercak bewarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada permukaan daun, pada pelepah atau pada gabah (Gambar 6).
Gambar 7 Hawar daun pada Padi. Algoritme Zooming Algoritme Zooming adalah metode yang ditujukan untuk menambah atau mengurangi jumlah piksel pada sebuah citra digital. Piksel baru dibuat dengan cara mengambil informasi dari piksel tetangganya yang terdekat dari citra original. Setiap tanaman memiliki ukuran luas spot yang berbeda, hal ini dapat menyebabkan efek signifikan dalam proses penglasifikasian penyakit. Dengan demikian, metode interpolasi perlu diterapkan untuk fractional zooming untuk menormalkan ukuran spot (Phadikar dan Jaya Sil 2009). Algoritme zooming sebagai berikut: 1 Langkah pertama adalah menentukan faktor skala dan dengan adalah ukuran dari citra baru dan adalah ukuran dari citra asli. 2 Untuk langkah kedua: a Semua titik piksel dari citra asli yang terletak diposisi ( ditempatkan di posisi sesuai dengan persamaan berikut: (1) dengan dan adalah faktor skala yang telah ditentukan di langkah sebelumnya. Hasil posisi baru seperti yang ditunjukkan pada area berwarna kuning dengan nilai gray dan (Gambar 8).
Gambar 6 Bercak coklat pada Padi. 4 Hawar Daun Bakteri (Bacterial Leaf Blight) Hawar daun bakteri (HDB) disebabkan oleh Xanthomonas oryzae pv. Oryzae. Penyakit HDB menghasilkan dua gejala khas, yaitu kresek dan hawar. Kresek adalah gejala yang terjadi pada tanaman berumur <30 hari (pesemaian atau yang baru dipindah). Daun-daun berwarna hijau kelabu, melipat, dan menggulung (Gambar 7). Hawar
b
Pilih baris pertama dan tentukan kolom yang akan dihitung titik pikselnya. Titik itu merupakan titik tengah. Misalkan titik itu adalah titik (Gambar 8) yang berada di antara titik dan . Kemudian kita hitung dengan menggunakan persamaan:
3
dengan 1 dan adalah jarak antara titik ke dan titik ke . c
Untuk menentukan nilai dari titik yang belum dihitung sebelumnya misalkan titik (Gambar 8), dihitung berdasarkan nilai rata-rata empat tetangganya. Sebagai catatan, hanya titik-titik yang nilainya telah dihitung di langkah sebelumnya yang dapat digunakan untuk mendapatkan nilai dari titik .
Persamaan di atas juga sering dituliskan sebagai:
dengan adalah magnitude dari yang diperoleh dari :
Fungsi magnitude spektrum fourier dari dengan sudut fase dari
, dan .
,
disebut juga disebut
Jika dijadikan diskrit persamaan FFT diskrit adalah:
maka
dan
Gambar 8 Ilustrasi Algoritme Zooming. Fast Fourier Transform Metode yang digunakan dalam pemrosesan citra digital dapat dibagi menjadi dua kelompok, yaitu metode spatial dan metode frequency. Pada metode spatial, pemrosesan dilakukan dengan cara memanipulasi nilai piksel dari citra tersebut secara langsung, sedangkan metode frequency, informasi citra digital ditransformasikan lebih dulu dengan fast fourier transform (FFT), kemudian dilakukan manipulasi pada hasil transformasi tersebut (Nugroho 2005). FFT dari berikut:
, didefinisikan sebagai
dengan (3) jika diketahui maka diperoleh dengan Inverse FFT berikut:
dapat
Persamaan 3 dan 4 di atas disebut dengan pasangan FFT. Jika adalah bilangan real, biasanya merupakan bilangan kompleks yang bisa diuraikan menjadi:
dengan dan dan imajiner dari
adalah komponen real
Untuk menganalisis citra pada frequency domain, hasil transformasi dapat ditampilkan sebagai citra, dimana intensitasnya proporsional dengan besarnya atau spektrum fourier. Namun karena dynamic range dari spektrum fourier biasanya sangat besar, maka sebelum ditampilkan sebagai citra harus diubah menjadi: (11)
dengan adalah konstanta. Selanjutnya yang ditampilkan sebagai citra adalah nilai dari . Spektrum fourier yang telah memiliki dynamic range yang lebih kecil kemudian dihitung berdasarkan nilai parameter statistik untuk mendapatkan ekstraksi ciri tekstur. Metode pengambilan ciri yang didasarkan pada karakteristik histogram spektrum fourier. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri yaitu mean, varians, beda nilai aras maksimum dan minimum (selanjutnya disebut bedaan1), beda nilai aras maksimum dengan nilai mean (selanjutnya disebut bedaan2), standar deviasi, skewness, kurtosis, entropi, dan nilai piksel tertinggi. a Mean (μ) Menunjukkan ukuran dispersi dari suatu citra (Nisa 2006). Untuk menghitung mean digunakan persamaan berikut:
.
4
dengan f merupakan suatu nilai intensitas n
dengan f merupakan suatu nilai intensitas n
keabuan, sementara p(f ) menunjukkan nilai n
probabilitas kemunculan intensitas tersebut pada citra. 2
b Variance (σ ) Untuk menghitung variance digunakan persamaan berikut:
keabuan, merupakan nilai mean, sementara p(f ) menunjukkan probabilitas kemunculan n
intensitas tersebut pada citra. f
Entropy (H)
Menunjukkan ukuran ketidakaturan bentuk dari suatu citra (Nisa 2006). Untuk menghitung entropy digunakan persamaan berikut:
dengan
p(f ) n
menunjukkan
probabilitas
dengan f merupakan suatu nilai intensitas
kemunculan intensitas tersebut pada citra.
keabuan, merupakan nilai mean, sementara p(f ) menunjukkan probabilitas kemunculan
g Bedaan1
intensitas tersebut pada citra.
Untuk menghitung Bedaan1 digunakan persamaan berikut:
n
n
c Standar Deviasi Menunjukkan tebing-tebing tajam (strong edges) pada citra (Nisa 2006). Untuk menghitung Standar Deviasi digunakan persamaan berikut:
dengan
p(f ) n
menunjukkan
probabilitas
kemunculan intensitas tersebut pada citra. h Bedaan2 Untuk menghitung Bedaan2 digunakan persamaan berikut:
dengan f merupakan suatu nilai intensitas n
keabuan, merupakan nilai mean, sementara p(f ) menunjukkan probabilitas kemunculan
dengan menunjukkan nilai mean, sementara p(f ) menunjukkan probabilitas kemunculan
intensitas tersebut pada citra.
intensitas tersebut pada citra.
d Skewness (α )
i
Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra (Nisa 2006). Untuk menghitung skewness digunakan persamaan berikut:
Untuk menghitung Nilai piksel tertinggi digunakan persamaan berikut (Nisa 2006):
n
3
n
Nilai piksel tertinggi
dengan
p(f ) n
menunjukkan
probabilitas
kemunculan intensitas tersebut pada citra. dengan f merupakan suatu nilai intensitas
Local Binary Patterns
keabuan, merupakan nilai mean, sementara p(f ) menunjukkan probabilitas kemunculan
Local Binary Pattern (LBP) merupakan metode yang digunakan untuk mendeskripsikan pola-pola tekstur lokal pada citra dengan mode warna grayscale (Kulsum 2010). LBP menggunakan delapan ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar 9. Notasi merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas
n
n
intensitas tersebut pada citra. e Kurtosis (α ) 4
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra (Nisa 2006). Untuk menghitung kurtosis digunakan persamaan berikut:
5
(threshold) untuk memotong setiap nilai piksel ketetanggaan.
(8,1)
(16,2)
(8,2)
Gambar 10 Beberapa ukuran circular neighborhood. Gambar 9 Circular neighborhood delapan sampling points. Kode LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. LBP dapat diformulasikan sebagai berikut: μ
LBP terdiri atas tiga descriptor, yaitu , VAR, dan LBPV. Pada penelitian ini descriptor yang digunakan adalah Rotation
Invariant
Uniform
. Patterns
) merupakan penggabungan antara uniform patterns dengan rotation invariant. Notasi menunjukkan rotation invariant dan untuk uniform patterns pada sampling points P dan radius R. 1 Rotation Invariant
(22) dengan dan adalah koordinat pusat piksel ketetanggaan, adalah circular sampling points, adalah banyaknya sampling points, adalah nilai keabuan dari , adalah nilai rata-rata piksel ketetanggaan dan piksel pusat, dan adalah sign (kode biner). Selanjutnya kode-kode LBP direpresentasikan melalui histogram. Ukuran citra adalah . Setelah mendapatkan nilai LBP pada setiap neighborhood (blok ), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram:
Rotation invariant adalah suatu cara yang dibuat agar pola-pola LBP tidak sensitif terhadap perubahan rotasi. Contoh: LBP direpresentasikan dengan neighborhood pada Gambar 11.
dapat circular
Gambar 11 Rotation Invariant LBP. Rotation invariant didefinisikan sebagai nilai minimum dari rotasi ( ) -bit biner yang dilakukan sebanyak kali: (25) dengan
menunjukkan rotation invariant.
2 Uniform Patterns (24)
dengan K merupakan nilai LBP terbesar. Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling points dan radius. Gambar 10 memperlihatkan contoh circular neighborhood tiga operator yaitu (8,1), (8,2), dan (16,2).
Setiap pola-pola LBP mewakili informasi yang penting dari suatu tekstur, ini dinamakan “uniform patterns”. LBP dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 01110000 (2 transisi), dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan ( transisi) dan ( transisi) bukan merupakan uniform patterns. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area atau dark spot, sudut, dan tepi. Hampir
6
persen dari tekstur merupakan patterns (Ojala et al. 2002).
uniform
1 Sum 1
t
f1
Kelas 1 1
f2
Gambar 12 Tekstur uniform patterns.
Sum 2
Gambar 12 menunjukkan arti dari pola-pola uniform. Untuk mengidentifikasi uniform patterns digunakan formulasi sebagai berikut:
f3
Kelas Keputusan
t Kelas 2
fk x
1 Sum n
t
(26) dengan merupakan uniform patterns dari P banyaknya sampling points dan radius R, adalah circular sampling points, adalah nilai keabuan dari , dan adalah nilai keabuan rata-rata seluruh piksel neighborhood. Jumlah pola yang dihasilkan uniform patterns adalah bins. Ketika uniform patterns dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi bins. Rotation invariant uniform patterns diformulasikan sebagai berikut:
(27) Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika bukan uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns (Mäenpää 2003). Probabilistic Neural Network PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (penglasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu et al. 2007).
Kelas n Lapisan Masukan
Lapisan Pola
Lapisan Penjumlahan
Lapisan Keputusan
Gambar 13 Struktur Probabilistic Neural Network. Struktur PNN seperti ditunjukkan pada Gambar 13 yang terdiri atas empat lapisan yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan terdiri atas nilai ciri yang akan diklasifikasikan pada kelas. Proses-proses yang terjadi setelah lapisan masukan adalah: 1 Lapisan pola (pattern layer), digunakan satu node pola untuk setiap data pelatihan yang digunakan. Setiap node pola, merupakan perkalian titik (dot product) dari vector masukan dengan vector bobot . Bobot merupakan nilai data latih ke-i pada kelas ke-j. Nilai kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas(n)=exp(- ). Dengan demikian persamaan yang digunakan pada lapisan pola seperti pada persamaan (28). (28) 2 Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah:
(29)
7
dengan merupakan dimensi vektor ciri, σ merupakan bias dan merupakan jumlah data latih pada kelas tertentu. 3 Lapisan keluaran (output layer), menghasilkan keputusan input masuk ke dalam suatu kelas. Input akan masuk kelas jika nilai paling besar dibandingkan kelas yang lainnya.
METODOLOGI PENELITIAN Penelitian ini dilakukan dalam beberapa tahapan proses, yaitu pengumpulan data, praproses yang meliputi cropping citra yang terfokus pada penyakit dan dilanjutkan dengan proses zooming, kemudian citra hasil praproses dilakukan tiga kali percobaan pertama citra diesktraksi dengan menggunakan FFT, kedua citra diekstraksi dengan , dan yang terakhir citra diekstraksi dengan menggunakan penggabungan fitur FFT dengan . Selanjutnya masing-masing citra hasil ekstraksi di klasifikasi dengan menggunakan PNN. Tahap-tahap tersebut dapat dilihat pada metodologi penelitian ini pada Gambar 14. Citra Daun
Praproses
Ekstraksi dgn Fourier
Ekstraksi dgn LBP
Ekstraksi dgn FFT dan LBP
Histogram LBP
Histogram FFT dan LBP
PNN
PNN
PNN
Model Klasifikasi
Model Klasifikasi
Model Klasifikasi
Hasil Klasifikasi
Hasil Klasifikasi
Hasil Klasifikasi
Praproses Evaluasi Hasil Identifikasi Citra Kueri
Gambar 14 Metodologi Penelitian. Data Citra Daun Citra daun tanaman Padi dan Anthurium yang digunakan pada penelitian ini diperoleh dari pemotretan langsung di Persawahan Desa Laladon dan Balai Penelitian Tanaman Hias Segunung Cipanas, Bogor, Jawa Barat. Masing-masing jenis tanaman terdiri atas
seratus citra, sehingga terdapat enam ratus total citra tanaman berpenyakit yang terdiri dari enam kelas penyakit, terdiri dari dua kelas penyakit tanaman Anthurium yaitu Bercak Daun dan Bercak Kuning sedangkan untuk penyakit tanaman Padi ada empat kelas yaitu Leaf Blast, Brown Spot, Hawar Daun, dan Tungro. Enam jenis penyakit yang digunakan disajikan pada Lampiran 1. Ekstraksi Fitur Transform
dengan
Fast
Fourier
Pada metode ini informasi citra digital ditransformasikan lebih dahulu dengan Fast Fourier Transform (FFT). Jika input citra adalah citra berwarna (nilai R, G, dan B berbeda), maka terlebih dahulu dilakukan proses transformasi ke citra grayscale, kemudian dilakukan manipulasi pada hasil transformasi tersebut. FFT mengubah menjadi sejumlah eksponensial kompleks. Analisis dari metode FFT adalah sebagai berikut, proses input data acuan citra dimulai dengan mengubah citra masukan dari citra asli menjadi histogram dan bentuk spektrum. Citra spektrum diproses melalui beberapa tahap yaitu menghitung log spektrum digunakan untuk menyesuaikan besarnya frekuensi spektrum, kemudian melakukan pergeseran (shifting) digunakan untuk melakukan pergeseran dari hasil transformasi fourier ke titik pusat spektrum. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri yaitu mean, varians, bedaan1, bedaan2, standar deviasi, skewness, kurtosis, Entropi, dan nilai piksel tertinggi. Perhitungan statistik digunakan untuk menyederhanakan bentuk sebaran frekuensi menjadi suatu nilai atau ukuran. Ekstraksi Fitur Tekstur Ekstraksi fitur pada penelitian ini menggunakan descriptor Sebelum masuk tahapan ekstraksi, dilakukan cropping untuk mendapatkan objek tanaman berpenyakit. Citra hasil cropping dilakukan proses zooming dengan tujuan untuk memperjelas tekstur citra yang terserang penyakit. Kemudian citra diubah ke dalam mode warna grayscale. Selanjutnya citra dibagi ke dalam beberapa blok (local region) sesuai dengan operator circular neighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan empat operator yang disajikan pada Tabel 1.
8
Tabel 1 Operator descriptor Operator (P, R)
Ukuran Blok (piksel)
Kuantisasi Sudut
(8, 1) (8, 2) (16, 2) (24, 3)
3x3 5x5 5x5 7x7
45 derajat 45 derajat 22.5 derajat 15 derajat
patterns, sedangkan bin terakhir ( untuk non uniform patterns.
Klasifikasi dengan Probabilistic Neural Network
Penentuan ukuran blok dan kuantisasi sudut yang digunakan untuk satu local region menggunakan persamaan berikut: (30) (31) Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 15.
3x3 piksel
5x5 piksel
)
7x7 piksel
Gambar 15 Ilustrasi pembagian ukuran blok pada citra. Ekstraksi tekstur dilakukan pada setiap blok. Setiap blok overlapping dengan blok berikutnya dengan jarak satu piksel. Masingmasing blok diekstraksi menggunakan descriptor . Ekstraksi tekstur menggunakan Ekstraksi tekstur menggunakan descriptor dalam mengolah setiap blok (local region) pada suatu citra dengan menggunakan persamaan (26). Hasil dari pengolahan setiap blok menghasilkan pola LBP. Kemudian pola LBP dari setiap blok diidentifikasi masuk ke dalam uniform patterns atau nonuniform patterns.
Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi enam ratus citra daun tanaman berpenyakit menggunakan menghasilkan vektor-vektor histogram citra daun berpenyakit, vektor yang diperoleh dari proses ekstraksi fitur FFT, dan vektor-vektor hasil penggabungan fitur FFT dan . Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi dibagi dengan 70% sebagai data latih dan 30% data uji. Setelah itu dilakukan proses training. Hasil dari training diperoleh model klasifikasi. Model klasifikasi ini yang digunakan untuk menglasifikasi data query citra daun yang ingin diketahui jenis penyakitnya. Pengujian dengan Sistem Pengujian data dilakukuan oleh sistem, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari kinerja didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut:
(32) Akurasi terbaik dari hasil berbagai model klasifikasi merupakan model yang akan dipakai untuk identifikasi daun pada citra kueri baru.
HASIL DAN PEMBAHASAN
Gambar 16 Pembentukan histogram. Hasil pengolahan dari setiap blok suatu citra akan direpresentasikan melalui histogram yang merupakan frekuensi nilai . Ilustrasi pembentukan histogram ditunjukkan pada Gambar 16. Histogram descriptor memiliki bin. Bin pertama sampai dengan merupakan bin uniform
Penelitian ini menerapkan FFT dan sebagai ekstraksi ciri. Citra yang digunakan pada penelitian ini adalah citra daun tanaman Anthurium dan Padi dengan enam kelas penyakit, dimana tiap-tiap kelas memiliki seratus citra dengan format yang sama yaitu JPG. Kemudian citra tersebut diesktraksi dengan menggunakan FFT, , dan yang terakhir diekstraksi dengan menggunakan penggabungan fitur FFT dengan
9
Hasil Praproses Pada tahap awal praproses, citra RGB dengan latar belakang putih dilakukan cropping untuk mendapatkan objek tanaman berpenyakit. Kemudian citra hasil cropping dilakukan proses zooming dengan tujuan untuk memperjelas tekstur citra yang terserang penyakit. Jika hanya berdasarkan informasi ciri warna dan bentuk sulit untuk menentukan jenis penyakit yang menyerang tanaman, disebabkan kebanyakan penyakit yang menyerang tanaman memiliki karakteristik ciri warna dan bentuk yang sama, seperti penyakit Bercak Kuning pada tanaman Anthurium dan Tungro pada tanaman Padi memiliki gejala awal yang sama yaitu berwarna kuning. Citra hasil proses zooming dengan mode warna RGB diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data dapat dilihat pada Gambar 17.
Gambar 18 Citra hasil praproses, spektrum fouriernya, dan histogram hasil spektrum fourier. Contoh hasil ekstraksi parameter ciri tekstur dengan FFT dapat dilihat pada Tabel 2 berikut: Tabel 2 Nilai ciri tekstur FFT Parameter Ciri Mean Varians Bedaan1 Bedaan2 Standar Deviasi Skewness Kurtosis Nilai Piksel Tertinggi Entropi
Nilai Ciri 6.0536 1.1768 0.4924 -5.5611 1.0848 0.9159 3.4163 8.0012 2.0407
Hasil Ekstraksi Tekstur dengan
Gambar 17 Praproses data citra berpenyakit, di cropping dan mode warna diubah menjadi grayscale.
Hasil ekstraksi dengan direpresentasikan dengan histogram. Histogram descriptor untuk empat operator diperlihatkan pada Gambar 19.
Hasil Pemodelan Fast Fourier Transform
Anthurium sp. Operator (8,1)
Frekuensi
Citra yang telah dipraproses kemudian dilakukan penerapan dengan pemodelan fourier. Dari pemodelan dapat dilihat spektrum fourier masing-masing citra tersebut. Spektrum fourier yang dihasilkan kemudian diubah ke dalam bentuk histogram. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri yaitu mean, varians, bedaan1, bedaan2, standar deviasi, skewness, kurtosis, Entropi, dan nilai piksel tertinggi. Parameter ciri inilah yang akan digunakan untuk klasifikasi dengan PNN. Hasil transformasi dengan FFT, seperti diperlihatkan pada Gambar 18.
Nilai LBBRiu2
10
Frekuensi
Operator (8,2)
Nilai LBBRiu2
Frekuensi
Operator (16,2)
Nilai LBBRiu2
Operator (24,3)
Identifikasi Citra Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi enam ratus citra yang terdiri atas enam jenis penyakit tanaman menggunakan fitur FFT, , dan penggabungan fitur FFT dengan descriptor menghasilkan vektor-vektor histogram citra tanaman hias. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30%. Untuk setiap jenis penyakit tanaman, tiga di antaranya menjadi data uji untuk melihat akurasi klasifikasi. Ekstraksi dengan descriptor menggunakan empat operator, dilakukan pemilihan operator terbaik. Untuk menentukan operator terbaik dapat dilihat dari hasil nilai akurasi dalam satuan persen yang disajikan pada Tabel 3.
Frekuensi
Tabel 3 Akurasi klasifikasi PNN Descriptor
Nilai LBBRiu2
Gambar 19 Histogram descriptor citra tanaman hias Anthurium sp. Histogram operator pada Gambar 19 menunjukkan nilai uniform patterns dan satu nilai nonuniform patterns, dimana non uniform patterns berada pada single bin terakhir. Bin nonuniform patterns memiliki frekuensi yang paling tinggi untuk semua operator karena pola-pola LBP nonuniform yang ditemukan hanya ditempatkan pada satu bin. Bin ini menggabungkan seluruh non uniform patterns yang ada pada tekstur citra. Nonuniform pattern memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra. Histogram di atas mendeskripsikan tekstur suatu citra. Pada penelitian ini operator (8,1) mendeskripsikan tekstur lebih baik dibanding operator (8,2), (16,2), dan (24,3). Banyaknya bin menyebabkan pola-pola uniform menyebar, sehingga sulit dibedakan antar pola di dalam tekstur. Banyaknya proporsi uniform patterns menentukan kebaikan penggambaran suatu tekstur.
P=8, R=1
P=8, R=2
P=16, R=2
P=24, R=3
0.7778
0.689
0.5333
0.433
Dari Tabel 3, akurasi tertinggi untuk descriptor berada pada operator (8,1), merupakan operator terbaik pada klasifikasi citra menggunakan PNN. Operator tersebut akan digunakan untuk pengujian identifiksi citra tanaman hias oleh sistem. Operator (8,1) memiliki kuantisasi sudut 45 derajat (jarak antar sampling points 45 derajat). Kuantisasi sudut 45 derajat merupakan kuantisasi sudut secara kasar (crude quantization) bila dibandingkan dengan sampling points 16 dan 24 yang masing-masing memunyai kuantisasi sudut 22.5 dan 15 derajat. Kuantisasi sudut 45 derajat mampu mengambil nilai piksel-piksel ketetanggaan melingkar yang berbeda-beda (discriminant), sehingga diperoleh pola-pola LBP yang juga berbeda-beda. Bervariasinya pola-pola LBP menjadi penciri yang baik dalam ekstraksi tekstur. Ekstraksi ciri berikutnya dengan menggunakan FFT. Spektrum yang dihasilkan dari FFT harus digeser ke tengah bidang gambar, dan selanjutnya harus dilakukan normalisasi tingkat keabuan untuk mendapatkan tampilan spektrum yang jelas dan lebih baik. Hasil spektrum diubah ke bentuk histogram, kemudian dihitung dengan
11
menggunakan pendekatan statistik dan menghasilkan sembilan nilai fitur yaitu mean, varians, bedaan1, bedaan2, standar deviasi, skewness, kurtosis, entropi, dan nilai piksel tertinggi. Fitur-fitur yang dihasilkan digunakan sebagai masukan dalam proses klasifikasi. Ekstraksi ciri yang terakhir adalah merupakan penggabungan fitur FFT dengan . Jumlah fitur yang digunakan ada sembilan belas yang berasal dari sembilan fitur FFT digabung dengan fitur hasil , sehingga didapatkan vektor berukuran 600 x 19 sebagai masukan pada klasifikasi citra menggunakan PNN. Hasil Pengujian Data Anthurium dan Padi dengan Klasifikasi PNN Pengujian identifikasi citra dilakukan oleh sistem. Citra kueri masukan akan diekstraksi dengan fitur FFT, , dan penggabungan fitur FFT dengan . Kemudian sistem akan mengeluarkan hasil ekstraksi dan hasil identifikasi citra kueri tersebut. Hasil identifikasi citra akan mengeluarkan nama citra kueri dan informasi lebih lanjut mengenai citra kueri tersebut. Pemodelan pengujian identifikasi citra dengan sistem dapat dilihat pada Lampiran 2. Klasifikasi ciri tekstur dengan FFT menggunakan nilai bias sebesar 0.0084, untuk ciri digunakan nilai bias 0.02, dan nilai bias untuk penggabungan ciri FFT dengan sebesar 1100. Perbandingan akurasi klasifikasi masing-masing kelas penyakit tanaman disajikan di pada Tabel 4, 5, dan 6. Tabel 4
Tabel 5
Kelas BD BK BP LB T HD
Tabel 6
Kelas BD BK BP LB T HD
Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan fitur
BD 23 7 0 0 0 0 30
BK 8 18 2 0 1 1 30
Benar BP LB 0 0 0 0 29 0 0 29 1 1 0 0 30 30
T 0 0 3 2 25 0 30
Total
HD
31 25 34 31 28 31 180
0 0 0 0 30 30
Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan penggabungan fitur FFT dengan
BD 21 5 4 0 0 0 30
dengan : BD BK BP LB T HD
BK 3 26 1 0 0 0 30
Benar BP LB 3 1 1 0 25 2 0 29 1 1 0 0 30 30
T 0 0 0 3 23 0 30
Total
HD 0 0 0 0 0 30 30
28 32 32 32 25 30 180
= Bercak Daun = Bercak Kuning = Bronw Spot = Leaf Blast = Tungro = Hawar Daun.
Tiga Pemodelan pengujian yaitu menggunakan fitur FFT, , dan penggabungan fitur FFT dengan untuk setiap kelas digunakan untuk mengindentifikasi citra oleh sistem. Grafik hasil akurasi pengujian klasifikasi setiap kelas penyakit tanaman seperti ditunjukkan Gambar 20.
Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan fitur FFT
Akurasi Fitur FFT 100
BD BK BP LB T HD ∑
BD 19 6 1 2 2 0 30
BK 0 22 3 2 2 1 30
Benar BP LB 1 0 2 4 19 1 0 25 7 0 1 0 30 30
T 1 2 11 0 15 1 30
HD 0 0 0 5 0 25 30
Tota l 21 36 35 34 26 28 180
Akurasi
80
Kelas
60 40 20 0 BD
BK
BP
LB
T
HD
Jenis Tanaman
12
KESIMPULAN DAN SARAN
Akurasi Fitur LBP
100
Akurasi
80
Kesimpulan
60 40 20 0 BD
BK
BP LB Jenis Tanaman
T
HD
Akurasi Fitur FFT dengan LBP 100
Akurasi
80 60 40 20
Penelitian ini melakukan Identifikasi Penyakit pada tanaman Padi dan Anthurium berdasarkan ciri tekstur dengan menggunakan Fast Fourier Transform dan Local Binary Pattern dengan Probabilistic Neural Network telah berhasil diimplementasikan. Penggabungan fitur FFT dengan adalah ekstraksi ciri terbaik untuk digunakan sebagai penciri dalam identifikasi jenis penyakit tanaman dengan akurasi klasifikasi 85,56%. Untuk operator P=8, R=1 merupakan operator terbaik dalam klasifikasi citra dengan menggunakan PNN. Saran
0 BD
BK
BP LB Jenis Tanaman
T
HD
Gambar 20 Hasil akurasi pengujian klasifikasi jenis penyakit dengan menggunakan fitur FFT, , dan penggabungan fitur FFT dengan . Hasil akurasi dari pengujian tiga fitur ekstrasi ciri yang telah dilakukan, diperoleh akurasi dengan menggunakan fitur FFT yaitu 69,4%, akurasi dengan fitur yaitu 85,56%, dan akurasi penggabungan fitur FFT dengan yaitu 85,56%. Ekstraksi ciri dengan fitur dan penggabungan fitur FFT dengan memiliki akurasi yang sama, tetapi dari grafik hasil akurasi pada Gambar 20 dapat dilihat bahwa ekstraksi ciri yang paling baik digunakan sebagai penciri dalam identifikasi penyakit tanaman adalah penggabungan fitur FFT dengan . Dari grafik Gambar 20 dapat dilihat ekstraksi ciri dengan menggunakan fitur FFT, penyakit tungro adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 50%, sementara ekstraksi ciri menggunakan fitur penyakit Bercak Kuning adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 60%. Sementara ketika menggunakan ekstraksi ciri dengan penggabungan fitur FFT dengan kedua penyakit tersebut dikenali dengan lebih baik, ini terlihat dari kenaikan akurasi untuk penyakit tungro naik menjadi 76,67% dan Bercak Kuning naik menjadi 86,67%.
Beberapa saran yang dapat ditambahkan pada penelitian ini, di antaranya : 1 Penelitian ini menggunakan data citra penyakit terbatas. Untuk penelitian selanjutnya variasi dan jumlah penyakit pada tanaman dapat ditambahkan untuk data citra penyakit. 2 Penggunaan metode penggabungan operator (multiresolution) perlu dilakukan untuk mendapatkan penciri tekstur yang lebih baik lagi. 3 Data yang digunakan dalam penelitian ini dilakukan cropping terlebih dahulu untuk mendapatkan fokus terhadap penyakit, untuk penelitian selanjutnya penggunaan citra utuh perlu dipertimbangkan.
DAFTAR PUSTAKA BPP Teknologi. 2011. Padi (Oriza Sativa). Jakarta: BPP Teknologi. Kebapci H, Yanikoglu B, & Unal G. 2009. Plant Image Retrieval Using Color, Shape, and Texture Features. Faculty of Engineering and Natural Sciences Sanbaci University. Kulsum, Lies Umi. 2010. Identifikasi Tanaman Hias secara Otomatis Menggunakan Metode Local Binary Pattern Descriptor dan Probabilistic Neural Network [Skripsi]. Bogor: Departement Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
13
Mäenpää, Topi. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu : Oulu University Press. Nisa, Khoirun. 2006. Aplikasi Fast Fourier Transform (FFT) untuk Mendeteksi Cacat Citra Tekstur Batik [Skripsi]. Teknik Informatika UAD. Nugroho, Setyo. 2005. Penerapan Metode Transformasi Fourier untuk Perbaikan Citra Digital. Balikpapan: Teknik Informatika, STIKOM Balikpapan. Ojala T., et al. 2002. Multiresolution GrayScale and Rotation Invariant Texture Classification with Local Binary Pattern. IEEE Transactions on PAMI. Vol. 24, No. 7, pp. 2037-2041. Phadikar, Santanu, & Jaya Sil. 2008. Rice Disease Identification using Pattern Recognition Techniques. International Conference on Computer and Information Technology 2 (5). India: West Bengal University of Technology. Syam M et al. 2007. Masalah Lapang Hama Penyakit Hara pada Padi. Pusat Penelitian dan Pengembangan Tanaman Pangan (3). Bogor: Puslitbang Pertanian Tanaman Pangan. Tirza, Emma Frisiola S. 2009. Analisis Usahatani Tanaman Hias Anggrek dan Anthurium [Skripsi]. Medan : Departemen Agribisnis, Fakultas Pertanian, Universitas Sumatera Utara. Wu S.G., et al. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. China: Chinese Academy of Science.
14
LAMPIRAN
Lampiran 1 Citra penyakit yang digunakan dalam penelitian. 1 Jenis Penyakit yang digunakan dalam penelitian. Citra
Nama Penyakit Bercak Daun
Kueri: 30 Jumlah: 100 Bercak Kuning
Kueri: 30 Jumlah: 100 Brown Spot
Kueri: 30 Jumlah: 100 Leaf Blast
Kueri: 30 Jumlah: 100 Tungro
Kueri: 30 Jumlah: 100 Hawar Daun
Kueri: 30 Jumlah: 100
16
2 Citra yang digunakan dalam masing – masing kelas 2.1 Kelas Bercak Kuning
2.2 Kelas Becak Daun
2.3 Kelas Brown Spot
2.4 Kelas Leaf Blast
17
2.5 Kelas Hawar daun
2.6 Kelas Tungro
18
Lampiran 2 Pemodelan pengujian identifikasi citra dengan sistem. 1 Citra yang benar teridentifikasi Hasil ekstraksi citra kueri
Detail hasil deteksi citra kueri
19
2 Citra yang salah teridentifikasi Hasil ekstraksi citra kueri
Detail hasil deteksi citra kueri
20
