PENDAHULUAN
TINJAUAN PUSTAKA
Latar Belakang
Anthurium
Berbagai penyakit pada tanaman hias anthurium dan padi dapat merugikan petani khususnya dalam aspek ekonomis yang menyebabkan rendahnya kualitas produksi penjualan, sehingga mempengaruhi perekonomian dan kehidupan petani. Identifikasi penyakit pada daun yang cukup sulit dan kesalahan mendeteksi awal penyakit dapat menyebabkan kerusakan pada daun bahkan dapat membuat daun mati, oleh karena itu dibutuhkan sebuah alat bantu komputer untuk membantu penyelesain masalah tersebut.
Tanaman hias secara garis besar dibagi menjadi dua kelompok utama yaitu tanaman taman (landscaped plant) dan tanaman penghias rumah (house plant). Di antara jenis tanaman hias yang banyak diminati adalah anthurium. Anthurium merupakan tanaman asli dari daerah tropis yang telah menyebar ke seluruh penjuru dunia.
Penelitian tentang deteksi penyakit dalam perkembangannya sudah dilakukan untuk berbagai jenis penyakit pada manusia seperti diagnosi tumor tulang, jantung dan penyakit lainnya. Akan tetapi, penelitian tentang deteksi penyakit pada tanaman masih sedikit dilakukan. Penelitian sebelumnya tentang identifikasi daun berpenyakit dilakukan oleh Weizheng (2008) sedangkan untuk mendeteksi tepi pada daun dilakukan oleh Gu (2005). Penelitian Weizheng menerapkan metode Grading untuk menentukan penyakit pada daun berdasarkan pengolahan citra, sedangkan penelitian Gu (2005) melakukan pengelompokan jenis daun yang diperoleh dari kombinasi transformasi wavelet dan interpolasi gaussian. Penelitian ini melakukan identifikasi penyakit pada daun tanaman hias anthurium dan padi dengan menerapkan transformasi wavelet untuk ekstraksi ciri tekstur. Kemudian melakukan klasifikasi hasil ekstraksi tekstur yang telah didapat sebelumnya dengan menggunakan K-Nearest Neighbors (K-NN). Diharapkan identifikasi penyakit daun dengan metode K-NN akan meningkatkan akurasi klasifikasi, sehingga identifikasi yang dihasilkan dapat lebih akurat. Tujuan Penelitian bertujuan untuk membuat suatu desain dan implementasi sistem deteksi penyakit pada daun anthurium dan padi dengan masukan berupa citra digital. Ruang Lingkup Data penelitian diambil di Balai Penelitian Tanaman Hias Segunung, Cipanas Jawa Barat dengan munggunakan kamera digital. Data yang diambil adalah daun yang terkena penyakit, yang difokuskan pada tanaman hias anthurium dan padi.
Anthurium termasuk keluarga Araceae yang mempunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Tanaman berdaun indah ini masih berkerabat dengan sejumlah tanaman hias populer semacam aglaonema, philodendron, keladi hias, dan alokasia. Dalam keluarga Araceae, Anthurium adalah genus dengan jumlah jenis terbanyak. Diperkirakan ada sekitar 1.000 jenis anggota marga anthurium.
Gambar 1Tanaman Hias Anthurium. Anthurium merupakan salah satu tanaman hias dalam ruangan yang memiliki daya tarik tersendiri karena bentuk daun dan bunganya unik. Ada dua macam anthurium, yaitu anthurium daun dan anthurium bunga. Anthurium daun dinikmati karena keindahan daunnya sedangkan anthurium bunga karena keindahan bunganya (Fatihagriculture 2007). Tanaman anthurium memiliki dua macam bunga yaitu bunga jantan dan bunga betina. Bunga jantan ditandai oleh adanya benangsari, sedangkan bunga betina ditandai oleh adanya lendir. Biji diperoleh dengan menyilangkan bunga jantan dan bunga betina. Dengan menggunkan jentik, bunga sari diambil dan dioleskan sampai rata di bagian lendir pada bunga betina (Tabloidgallery 2007). Penyakit yang menyerang tanaman anthurium biasanya disebabkan oleh hama dan bakteri, berikut adalah beberapa penyakit yang dibahas pada penelitian ini:
1
1. Bercak Daun Pada tanaman hias anthurium, penyakit bercak daun harus diwaspadai dan biasanya sangat ditakuti oleh penghobi. Daun yang terkena penyakit ini tampak kekuning-kuningan dengan bercak-bercak berwarna coklat (Gambar 2). Bila dibiarkan, lama-lama bercak itu berubah sedikit kehitaman. Serangan itu disebabkan karena bakteri pseudomonas cichorii dan xanthomonas campestris. Kedua bakteri tersebut hadir melalui luka di daun. Penyakit itu dapat diatasi menggunakan bakterisida berbahan aktif mancozeb.
dengan larutan fungisida. Anakan yang muncul nantinya diharapkan akan menjadi tanaman yang sehat. 3. Daun Keriting Penyakit daun keriting sering dijumpai dalam anthurium. Ciri anthurium yang terserang menampakan gejala daun mengeriting (Gambar 4). Bila daun diraba terasa sedikit bergelombang, warna daun anthurium pun mengalami gradasi. Semakin ke arah pinggir daun tampak semakin hijau muda, kemungkinan penyakit tersebut dampak serangan virus atau mungkin anthurium tersebut tersebut kekurangan kalsium karena kalsium di dalam tubuh tanaman mempengaruhi kekerasan dinding sel.
Gambar 2 Bercak Coklat Pada Anthurium. 2. Bercak Kuning Bercak kuning sering menyerang anthurium dan telah menjadi penyakit yang menakutkan bagi pekebun dan penghobi. Anthurium yang terserang penyakit bercak kuning umumnya sulit disembuhkan, karena penyakit ini sangat cepat menyebar ke seluruh tanaman. Mula-mula muncul noktah kecil berwarna kuning pada daun yang semakin lama semakin lebar, hingga seluruh permukaan daun anthurium tertutup warna kuning (Gambar 3). Setelah satu daun terserang, maka daun-daun yang lain tinggal menunggu giliran, sampai semua kuning dan akhirnya tidak bisa diselamatkan.
Gambar 3 Bercak Kuning Pada Anthurium. Sampai saat ini masih belum diketahui secara pasti penyebab penyakit ini. Para petani menganggap penyakit ini bersifat multifactor seperti media terlalu lembab, aliran udara tidak lancar, komposisi media kurang tepat dan kelebihan pupuk kandang. Meski belum pasti disebabkan oleh jamur, tetapi pengendalian dengan menggunakan fungisida patut dicoba. Cara paling ekstrim yang bisa dilakukan adalah menggunduli semua daun tanaman yang terserang, lalu menyemprot
Gambar 4 Daun Keriting Pada Anthurium. Bila kekurangan kalsium dinding sel akan melemah. Solusinya adalah cukup dengan teratur menyiram, karena kemungkinan unsur kalsium yang sudah ada dalam media ataupun pupuk yang diberikan tidak larut sehingga sulit di serap tanaman. Padi Padi termasuk genus Oryza L yang meliputi lebih kurang 25 spesies, tersebar di daerah tropik dan daerah sub tropik seperti Asia, Afrika, Amerika dan Australia. Padi berasal dari dua benua Oryza fatua Koenigdan dan Oryza sativa L berasal dari benua Asia, sedangkan jenis padi lainya yaitu Oryza stapfii Roschev dan Oryza glaberima Steund berasal dari Afrika barat. Penyakit yang menyerang tanaman padi biasanya disebabkan oleh hama dan bakteri, berikut adalah beberapa penyakit yang dibahas pada penelitian ini: 1. Blas (leaf blast) Penyakit Blas (leaf blast) disebabkan oleh jamur pathogen Pyricularia Grisae (Gambar 5). 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, sedangkan blas leher berupa bercak coklat kehitaman pada pangkal leher yang dapat
2
mengakibatkan leher malai tidak mampu menopang malai dan patah. Untuk mengantisipasi perubahan ras blas yang sangat cepat dan dengan cara pemupukan NPK yang tepat (Syam et al. 2007). Gambar 7 Penyakit Hawar Daun Bakteri.
Gambar 5 Penyakit Blast.
Penyait dapat dikendalikan dengan pupuk NPK dalam dosis yang tepat. Bila memungkinkan, hindari penggenangan air yang terus-menerus, seperti 1 hari digenangi dan 3 hari dikeringkan (Syam et al. 2007).
2. Bercak coklat (brown spot)
4. Tungro
Penyakit bercak coklat dapat menyebabkan kematian tanaman muda dan menurunkan kualitas gabah. Penyakit bercak coklat disebabkan oleh jamur Helmintosporium oryzae pada pertanaman Bercak (Gambar 6).
Tungro merupakan salah satu penyakit penting pada padi sangat merusak. Gejala serangan tungro yang menonjol adalah perubahan warna daun dan tanaman tumbuh kerdil (Gambar 8). Warna daun tanaman sakit bervariasi dari sedikit menguning sampai jingga. Tingkat kekerdilan tanaman juga bervariasi dari sedikit kerdil sampai sangat kerdil. Gejala khas ini ditentukan oleh tingkat ketahanan varietas, kondisi lingkungan, dan fase tumbuh saat tanaman terinfeksi. Penyakit tungro ditularkan oleh wereng hijau.
Gambar 6 Penyakit Bercak Coklat. Gejala yang paling umum dari penyakit ini adalah bercak bewarna coklat, berbentuk oval sampai bulat yang berukuran sebesar biji wijen pada permukaan daun, pelepah atau pada gabah. penyakit ini dapat berkembang pada tanaman yang masih sangat muda. Penyakit dapat dikendalikan secara efektif dengan varietas tahan dan melalui pemupukan dengan 250 kg urea, 100 kg SP36, dan 100 kg KCI (Syam et al. 2007). 3. Hawar daun bakteri (bacterial leaf blight) Hawar Daun Bakteri (HDB) disebabkan oleh Xanthomonas Oryzae pv (Gambar 7). 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). Daundaun berwarna hijau kelabu, melipat, dan menggulung. Sementara, hawar merupakan gejala yang paling umum dijumpai pada pertanaman yang telah mencapai fase tumbuh anakan sampai fase pemasakan.
Gambar 8 Penyakit Tungro. Penyakit tungro 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). Representasi Citra Digital Citra didefinisikan sebagai suatu fungsi dua dimensi f(x,y), dengan x, y merupakan koordinat spasial, dan f disebut sebagai kuantitas bilangan skalar positif yang memiliki maksud secara fisik ditentukan oleh sumber citra. Suatu citra digital yang diasumsikan dengan fungsi f(x,y) direpresentasikan dalam suatu fungsi koordinat berukuran M x N. Variabel M adalah baris dan N adalah kolom sebagaimana ditunjukkan pada Gambar 9.
3
Ekstraksi Ciri (Feature Extraction)
Gambar 9 Fungsi Koordinat Sebagai Representasi Citra Digital Setiap elemen dari array matriks disebut image element, picture element, pixel, atau pel (Gonzales 2004). Tingkat Abu-abu (Grayscale) Citra Grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain bagian red=green=blue. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih (Darma 2010). Proses Grayscale ini bertujuan untuk mengubah citra RGB menjadi citra abu-abu. Pemilihan pemrosesan pada tingkat abu-abu ini dipilih karena lebih sederhana, yaitu hanya menggunakan sedikit kombinasi warna dan dengan citra abu-abu dirasakan sudah cukup untuk memproses citra yang semula berupa RGB colour dengan tingkat abu-abu. Pengubahan citra RGB ke citra abu-abu YUV dengan mengambil komponen Y (luminance) dapat dilakukan dengan mengalikan komponen R, G, B dari nilai taraf intensitas tiap piksel RGB dengan konstanta (0.299R,0.587G,0.11B).
Gambar 10 Model Penyimpanan Piksel Pada Buffer Memori (Rivai 2005).
Ekstraksi ciri adalah proses mengambil ciriciri yang terdapat pada objek di dalam citra. Ekstraksi ciri diklasifikasikan ke dalam tiga tingkat yaitu low-level, middle-level, dan highlevel. Low-level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan ekstraksi tiap objek dalam citra dan mencari hubungannya, sedangkan high-level feature merupakan ekstraksi ciri berdasarkan informasi semantik yang terkandung dalam citra (Osadebey 2006). Ekstraksi ciri sangat bermanfaat untuk analisis dan proses citra selanjutnya. Ekstraksi ciri pada umumnya memanfaatkan komponen informasi pada citra yaitu berdasarkan warna, bentuk, dan tekstur. Tekstur Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi : keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan serta lingkungan dan kondisi pencahayaan (Darma 2010). Wavelet Wavelet adalah suatu teknik matematika yang bermanfaat untuk analisis numerik dan manipulasi dari 1 atau 2 dimensi sinyal. Transformasinya beroperasi seperti suatu mikroskop untuk menguji detail partisi sinyal ke dalam komponen frekuensi yang berbeda, lalu memetakan ke koefisien yang memiliki energi yang berbeda (Jones et al. 1999). Wavelet berbeda dengan wave (gelombang), wave adalah sebuah fungsi yang bergerak naik turun ruang dan waktu secara periodik (Gambar 12 a), sedangkan wavelet merupakan gelombang yang dibatasi atau terlokalisasi (Sripathi 2003) (Gambar 12 b). Dapat dikatakan sebagai gelombang pendek. Wavelet ini mengonsentrasikan energinya dalam ruang dan waktu sehingga cocok untuk menganalisis sinyal yang sifatnya sementara saja.
Gambar 11 Operasi Pengubahan Citra 24 bit.
4
wavelet yang menyimpan informasi penting untuk proses rekonstruksi.
Gambar 12 (a) Wave (gelombang), (b) Wavelet Transformasi Wavelet Wavelet merupakan sebuah basis, basis wavelet berasal dari sebuah fungsi penskalaan atau dikatakan juga sebuah scaling function. wavelet ini disebut dengan mother wavelet karena wavelet yang lainnya lahir dari hasil penskalaan, dilasi, dan pergeseran mother wavelet (Darma 2010). Fungsi penskalaan ππ memiliki persamaan :
Ο (t ) = 2β h0 (k )Ο (2t β k )
Transformasi wavelet mempunyai kemampuan membawa keluar ciri khusus pada suatu gambar yang diproses. Pada transformasi wavelet, sebuah gambar didekomposisi menjadi subgambar pada frekuensi dan orientasi yang berbeda, yaitu low-low (LL), low-high (LH), high-low (HL), dan high-high (HH) (Gambar 13a).
(1)
k
H0 menyatakan koefisien penskalaan atau koefisien transformasi atau koefisien dari tapis (filter), sedangkan k menyatakan indeks dari koefisien penskalaan. Angka 0 pada h0 hanya menunjukkan jenis koefisien (tapis), yang menyatakan pasangan dari jenis koefisien lainnya. Pasangan tersebut didefinisikan dalam fungsi wavelet ππberikut ini :
Ο (t ) = 2β h1 (k )Ο (2t β k ) k
(2)
H0 dan h1 adalah koefisien transformasi berpasangan. h0 disebut juga sebagai low pass sedangkan h1 disebut sebagai high pass. H0 berkaitan dengan proses perataan (averages) sedangkan h1 berkaitan dengan proses pengurangan (differences). Perataan dilakukan dengan menghitung nilai rata-rata dua pasang data dengan persamaan :
ππ =
π₯π₯+π¦π¦ 2
sedangkan pengurangan persamaan :
ππ =
, dilakukan
(3) dengan
π₯π₯βπ¦π¦ 2
(4)
Koefisien-koefisian h0 dan h1 dapat ditulis sebagai berikut : β0 = (β0 (0), β0 (1)) = οΏ½1οΏ½2 , 1οΏ½2 οΏ½ yang berkaitan dengan persamaan (3), dan
β1 = (β1 (0), β1 (1)) = οΏ½1οΏ½2 , β 1οΏ½2 οΏ½ yang berkaitan dengan persamaan (4).
Dengan kata lain, h0 adalah koefisien penskalaan karena menghasilkan skala yang berbeda dari citra aslinya, sedangkan h1 adalah
Gambar 13 (a) Struktur Piramid Level 1, (b) Dekomposisi Wavelet Haar. Wavelet Haar Wavelet Haar adalah metode wavelet yang pertama kali diajukan oleh Alfred Haar pada tahun 1909. wavelet Haar merupakan metode wavelet yang paling sederhana dan mudah untuk diimplementasikan. Untuk mengekstrak ciri-ciri tekstur dengan transformasi Haar wavelet, dilakukan proses perataan (averages) untuk mendapatkan bagian dari gambar yang berfrekuensi rendah dan dilakukan proses pengurangan (differences) untuk mendapatkan bagian dari gambar yang berfrekuensi tinggi (Darma 2010). Koefisien β0 = (β0 (0), β0 (1)) = οΏ½1οΏ½2 , 1οΏ½2 οΏ½ (tapis low pass) dan β1 = (β1 (0), β1 (1)) = οΏ½1οΏ½2 , β 1οΏ½2 οΏ½ (tapis high pass) merupakan fungsi basis wavelet Haar. Dekomposisi (transformasi) perataan dan pengurangan sama halnya dengan melakukan dekomposisi citra dengan wavelet Haar. Kedua tapis tersebut bersifat ortogonal namun tidak ortonormal. Tapis Haar yang bersifat ortogonal dan juga ortonormal adalah : β0 = οΏ½1οΏ½ , 1οΏ½ οΏ½ β2 β2
β1 = οΏ½1οΏ½ , β 1οΏ½ οΏ½ β2 β2
(5) (6)
Fungsi penskalaan Haar diperoleh dari substitusi h0 ke dalam persamaan (1), sehingga dihasilkan persamaan sebagai berikut : ππ(π‘π‘) = ππ(2π‘π‘) + ππ(2π‘π‘ β 1)
(7)
5
Di mana : ππ(π‘π‘) = οΏ½
1 ππππππππ π‘π‘ ππ[0,1) 0 π’π’π’π’π’π’π’π’π’π’ ππππππππππππππ ππππππππππππππ
Gambar fungsi penskalaan ditunjukkan pada Gambar 14.
Haar ππ(t)
Gambar 14 Fungsi Penskalaan Haar ππ(t)
Substitusi h1 ke dalam persamaan (2), akan menghasilkan : ππ(π‘π‘) = ππ(2π‘π‘) + ππ(2π‘π‘ β 1) ,
(8)
yang merupakan fungsi wavelet Haar di mana : 1 ππππππππ π‘π‘ ππ [0,1/2) ππ(π‘π‘) = οΏ½β1 ππππππππ π‘π‘ ππ [1/2,1) 0 π’π’π’π’π’π’π’π’π’π’ ππππππππππππππ ππππππππππππππ Gambar fungsi penskalaan ditunjukkan pada Gambar 15.
Haar ππ(t)
Gambar 15 Fungsi Penskalaan Haar ππ(t)
Dekomposisi Haar
Proses dekomposisi Haar menerapkan bank filter dengan h0 = h1 = 1/β2 sebagai koefisien low-pass yang menghasilkan citra pendekatan, dan g0 = 1/β2, g1 = -1/β2 sebagai koefisien high-pass yang menghasilkan citra detil. Adapun bank filter Haar dapat dilihat pada Gambar 17.
Gambar 17 Bank filter Haar. Stephane Mallat memperkenalkan cara mudah untuk menghitung hasil dekomposisi dengan menggunakan algoritme piramida Mallat, algoritme tersebut dapat ditunjukkan pada Gambar 18 (Stollnitz et al. 1995). Mallat memberi nilai koefisien low-pass, h0 = h1 = 1/2 dan koefisien high-pass, g0 = 1/2, g1 = -1/2, sehingga bank filter Haar menjadi seperti yang ditunjukkan Gambai 19, variabel ai merupakan citra pendekatan, ci merupakan citra detil, dan si adalah himpunan bilangan yang akan di dekomposisi.
Gambar 18 Algoritme Piramida Mallat.
Proses dekomposisi sinyal dengan metode transformasi Haar wavelet ini bisa digunakan dalam transformasi citra dengan cara menerapkan dekomposisi wavelet secara 2D. Proses dekomposisi wavelet secara 2D dibentuk melalui 1D transformasi Haar wavelet. Wavelet 2D dapat dihitung dengan menerapkan sebuah transformasi 1D ke semua baris dari input citra (terhadap panjang citra/dimensi x), lalu mengulangnya pada semua kolom (terhadap lebar citra/dimensi). Seperti contoh pada Gambar 16 yang menunjukkan level pertama dari transformasi wavelet 2D, dengan notasi yang bersesuaian pada citra.
Gambar 19 Bank Filter Haar 8x8 Menggunakan Algoritme Piramida Mallat. Inti dari piramida Mallat untuk dekomposisi level 1 adalah nilai ai diperoleh dengan rumus si+si+1 , dan nilai ci diperoleh dengan ππππ = 2 rumus ci = si-ai. Si adalah piksel citra yang diambil perkolom Kemudian hasil dari dekomposisi kolom didekomposisi kembali perbaris. Klasifikasi K-Nearest Neighbors
Gambar 16 Dekomposisi Wavelet Haar 2D.
K-Nearest Neighbor merupakan salah satu metode yang digunakan dalam pengklasifikasian. Prinsip kerja K-Nearest Neighbor (K-NN) adalah mencari jarak terdekat
6
antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan menggunakan rumus euclidian (Clifford 2006). Jarak euclide merupakan salah satu dari pengukuran kemiripan yang sederhana. Hasil dari perhitungan euclide digunakan untuk menentukan kemiripan antara data latih dan data uji. Kecocokan dilihat dari nilai (jarak) yang paling minimum. Secara matematis, Jarak euclide antara dua titik pada bidang dirumuskan sebagai berikut :
Data Penelitian Data yang digunakan dalam penelitian berupa citra daun yang berpenyakit yang terdiri atas 700 citra berformat JPEG dan berukuran 200 x 150 piksel yang dikelompokkan ke dalam 7 kelas yang setiap kelasnya terdiri atas 100 citra, dari data citra terdiri atas 3 kelas penyakit anthurium yaitu bercak daun, bercak kuning dan daun keriting sedangkan 4 kelas penyakit padi yaitu leaf blast, brown spot, hawar daun dan tungro. Citra didapat dari Balai Penelitian Segunung Cipanas βJawa Barat. Praproses
ππππ = οΏ½βππππ=1(ππππππ β ππππ )2
Dengan : di Xij Pj n
(9)
= Jarak sampel = Data sampel pengettahuan = Data input var ke-j = Jumlah sampel.
METODE PENELITIAN Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu pengambilan data, praproses yang meliputi pemotongan citra yang terfokus pada penyakit, ekstraksi ciri tekstur pada citra daun, klasifikasi data dengan K-NN dan penghitungan tingkat akurasi. Tahap-tahap yang dilakukan pada penelitian ini diilustrasikan pada Gambar 20.
Grayscale digunakan untuk menyederhanakan model gambar. Pada awalnya gambar terdiri dari 3 layer matriks yaitu Rlayer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Untuk mengubah gambar berwarna yang mempunyai nilai matriks masing-masing R, G, dan B menjadi gambar Grayscale maka konversi dilakukan dengan pengubahan komposisi sebagai berikut: πΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊπΊ = πΌπΌπΌπΌ + π½π½π½π½ + πΏπΏπΏπΏ
Mulai
Koleksi data Citra
Pelatihan
Pada tahap awal praproses, dilakukan pemotongan (cropping) citra untuk mendapatkan objek tanaman berpenyakit. Untuk citra yang akan diekstraksi dengan menggunakan wavelet Haar, mode warna citra diubah menjadi grayscale.
Pengujian Praproses
(10)
Dengan nilai Ξ±=0.299, Ξ²=0.587 dan Ξ΄=0.11, Fungsi dari format warna gray ini adalah untuk memudahkan proses selanjutnya karena apabila format gambar RGB digunakan maka nilai yang dihasilkan akan bervariasi. Pembagian Data
Data Latih
Data Uji
EkstraksiCiri Wavelet
EkstraksiCiri Wavelet
KlasifikasiKNN
Proses Pencocokan
Pembagian data dibagi menjadi dua bagian, yaitu data pelatihan dan pengujian dengan proprosi 80% untuk data latih dan 20% untuk data. Ekstraksi Ciri Tekstur Penyakit
Model IdentifikasiPenyakit
PerhitunganAkurasi
Proses ekstraksi tekstur pada penelitian ini menggunakan transformasi wavelet Haar pada level 2, sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna Grayscale. Ekstraksi ciri dilakukan untuk menentukan nilai vektor yang digunakan sebagai penciri dengan dimensi yang lebih kecil.
Selesai
Gambar 20 Metodologi Penelitian
7
