IDENTIFIKASI NITROGEN DAN KALIUM DAUN TANAMAN SAWI HIJAU MENGGUNAKAN MATRIKS JARINGAN SARAF TIRUAN

TESIS

IDENTIFIKASI KASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN MATRIKS CO-OCCURENCE, MOMENTS DAN JARINGAN SARAF TIRUAN

I PUTU GEDE BUDISANJAYA

PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013

TESIS

IDENTIFIKASI KASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN MATRIKS CO-OCCURENCE, MOMENTS DAN JARINGAN SARAF TIRUAN SAMPUL DALAM

I PUTU GEDE BUDISANJAYA NIM 1091761028

PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013

PRASYARAT GELAR MAGISTER IDENTIFIKASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN MATRIKS CO-OCCURENCE, MOMENTS DAN JARINGAN SARAF TIRUAN

Tesis untuk Memperoleh Gelar Magister Pada Program Magister, Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana

I PUTU GEDE BUDISANJAYA NIM 1091761028

PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013 ii

LEMBAR PERSETUJUAN PEMBIMBING

TESIS INI TELAH DISETUJUI PADA TANGGAL : 8 November 2013

Pembimbing I,

Pembimbing II,

Dr. I. K. G. Darma Putra, S.Kom., MT. NIP. 19740424 199903 1 003

I Nyoman Satya Kumara, S.T., M.Sc., Ph.D. NIP. 19700201 199702 1 002 Mengetahui

Ketua PS. Magister Teknik Elektro Program Pascasarjana Universitas Udayana,

Direktur Program Pascasarjana Universitas Udayana,

Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc., Ph.D. NIP. 19651213 199103 2 001

iii

Prof. Dr. dr. A. A. Raka Sudewi, Sp. S (K) NIP. 19590215 198510 2 001

PENETAPAN PANITIA PENGUJI TESIS

Tesis Ini Telah Diuji pada Tanggal : 8 November 2013 Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana, No : 3096/UN14.4/HK/2013, Tanggal 6 November 2013

Ketua

: Dr. I K.G. Darma Putra, S.Kom., MT

Anggota : 1. I Nyoman Satya Kumara, ST., M.Sc., Ph.D. 2. Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc., Ph.D. 3. Wayan Gede Ariastina, ST., M.Eng.Sc., Ph.D. 4. Ni Made Ary Esta Dewi Wirastuti, ST., M.Sc., Ph.D.

iv

SURAT PERNYATAAN BEBAS PLAGIAT

Saya yang bertanda tangan di bawah ini : Nama

: I Putu Gede Budisanjaya

NIM

: 1091761028

Program Studi

: Teknik Elektro

Judul Tesis

: Identifikasi Nitrogen Dan Kalium Pada Daun Tanaman Sawi Hijau Menggunakan Matriks CoOccurence, Moments Dan Jaringan Saraf Tiruan

Dengan ini menyatakan bahwa karya ilmiah Tesis ini bebas plagiat. Apabila di kemudian hari terbukti plagiat dalam karya ilmiah ini, maka saya bersedia menerima sanksi sesuai peraturan Mendiknas RI No. 17 Tahun 2010 dan Peraturan Perundang-undangan yang berlaku.

Denpasar, Yang membuat pernyataan

(I Putu Gede Budisanjaya)

v

ABSTRAK Budidaya sayuran secara hidroponik semakin berkembang saat ini karena efisiensi pemberian air dan pupuk sesuai kebutuhan tanaman, salah satu tanaman sayuran yang dapat dikembangkan secara hidroponik adalah sawi hijau (Brassica Juncea L.) varietas Tosakan, tanaman ini dipanen pada fase vegetatif sekitar umur 30 hari setelah tanam. Tanaman sawi hijau selama pertumbuhannya membutuhkan unsur-unsur untuk pertumbuhan dan perkembangan organ-organnya. Pada penelitian ini dikembangkan teknologi non-destruktif untuk mengidentifikasi status nutrisi Nitrogen dan Kalium melaui citra daun tanaman sawi dengan menggunakan pengolahan citra digital dan jaringan saraf tiruan. Adapun metode pengolahan citra yang digunakan adalah color moment untuk ekstraksi fitur warna, gray level co-occurrence matrix (GLCM) untuk ekstraksi fitur tekstur dan jaringan saraf tiruan backpropagation untuk mengidentifikasi Nitrogen dan Kalium pada citra daun tanaman sawi hijau. Data citra input yang merupakan hasil akuisisi adalah citra dengan warna RGB yang dikonversi menjadi HSV. Sebelum dilakukan ekstraksi fitur warna dan tekstur citra hasil akuisisi disegmentasi dan dicrop untuk mendapatkan citra daun saja, setelah ekstraksi fitur dilakukan pelatihan menggunakan jaringan saraf tiruan backpropagation dengan 2 kombinasi hidden layer, iterasi sebanyak 20000 epoch. Akurasi hasil pengujian N dengan penerapan metode tersebut diperoleh 97,82%. Pemberian pupuk Kcl sebagai unsur K tidak berpengaruh terhadap pertumbuhan sawi hijau karena tanaman sawi hijau dipanen pada fase vegetatif belum membutuhkan K. Untuk identifikasi umur tanaman sawi hijau dengan menggunakan gabungan fitur color moment, GLCM dan luas area daun menghasilkan akurasi 78,70%.

Kata kunci

:

Nitrogen, Kalium, pengolahan citra, color moment, GLCM, jaringan saraf tiruan backpropagation

vi

ABSTRACT Vegetables cultivation using hydroponic is becoming popular now days because of its irrigation and fertilizer efficiency. One type of vegetable which can be cultivated using hydroponic is green mustard (Brassica juncea L.) tosakan variety. This vegetable is harvested in the vegetative phase, approximately aged of 30 days after planting. In addition, during the growth phase, this plant requires a certain element for the growth and development of its organs. In this study, nondestructive technology was developed to identify Nitrogen and Potassium status through the image of green mustard leaf by using digital image processing and artificial neural network. The image processing method used was the color moment for color feature extraction, gray level co-occurrence matrix (GLCM) for texture feature extraction and back propagation neural network to identify Nitrogen status from the image of leaf. The input image data resulted from acquisition process was RGB color image which was converted to HSV. Prior to the color and texture feature extraction and texture, acquisition image was segmented and cropped to get the leaf image only. Next Step was to conduct training using back propagation neural network with two hidden layer combinations, 20,000 iterations epoch. Accuracy of the nitrogen test results using those methods was 97.82%. The result indicates those three methods is reliable to identify Nitrogen status in the leaf of green mustard. KCl fertilizer application as a source of potassium has no effect on the growth of green mustard. This is because the plant is commonly harvested during the vegetative phase which doesn’t require Potassium yet for its growth. For age identification, a combined feature of color moment, GLCM and leaf area was employed. Those resulted accuracy of 78.70%.

Keywords

: Nitrogen, Potassium, image processing, color moment, GLCM, backpropagation neural network.

vii

KATA PENGANTAR

Puji dan sykur penulis panjatkan kehadapan Tuhan Yang Maha Esa, karena atas rahmat-Nya, penulis dapat menyelesaikan Tesis ini. Tesis ini berjudul ” IDENTIFIKASI NITROGEN DAN KALIUM PADA DAUN TANAMAN SAWI HIJAU MENGGUNAKAN MATRIKS CO-OCCURENCE, MOMENTS DAN JARINGAN SARAF TIRUAN” disusun sebagai syarat untuk memenuhi persyaratan menyelesaikan Program Magister S-2 pada Program Magister, Manajemen Sistem Informasi dan Komputer, Program Pascasarjana Universitas Udayana. Dalam penyusunan Tesis ini, penulis mendapatkan petunjuk, bimbingan dan bantuan dari berbagai pihak. Sehubungan dengan hal tersebut pada kesempatan ini penulis menyampaikan ucapan terima kasih kepada : 1. Bapak Dr. I. K.G. Darma Putra, S,Kom., M.T. selaku pembimbing 1 yang telah banyak memberikan ide penelitian, bimbingan dan masukan. 2. Bapak Nyoman Satya Kumara, ST., Msc., Phd. Selaku pembimbing 2 yang telah banyak memberikan petunjuk dan bimbingan kepada penulis. 3. Anggota Keluarga serta teman-teman yang telah memberikan dukungan baik material, jasmani dan rohani selama penulis menyusun tugas akhir ini. Karya manusia tidak akan pernah sempurna karena manusia memiliki kelebihan serta kekurangan masing-masing. Demikian halnya dengan karya ini yang telah diusahakan dibuat dengan segenap kemampuan yang ada, jika masih ada kekurangan, penulis akan bertanggung jawab sepenuhnya

Denpasar, November 2013 Penulis

I Putu Gede Budisanjaya, S.TP

viii

DAFTAR ISI Halaman SAMPUL DALAM .................................................................................................. i PRASYARAT GELAR MAGISTER ..................................................................... ii LEMBAR PERSETUJUAN PEMBIMBING ........................................................ iii PENETAPAN PANITIA PENGUJI TESIS........................................................... iv SURAT PERNYATAAN BEBAS PLAGIAT.........................................................v ABSTRAK ................................................................................................... vi ABSTRACT .................................................................................................. vii KATA PENGANTAR ......................................................................................... viii DAFTAR ISI ................................................................................................... ix DAFTAR TABEL .................................................................................................. xi DAFTAR GAMBAR ............................................................................................ xii BAB I PENDAHULUAN .....................................................................................1 1.1. Latar Belakang ....................................................................................1 1.2. Rumusan Masalah ...............................................................................6 1.3. Tujuan .................................................................................................6 1.4. Manfaat Penelitian ..............................................................................7 1.5. Ruang Lingkup Penelitian ..................................................................8 1.6. Keaslian Penelitian .............................................................................8 BAB II TINJAUAN PUSTAKA ..........................................................................10 2.1. State Of The Art Review ....................................................................10 2.2. Botani Tanaman Sawi hijau ..............................................................13 2.3. Syarat Tumbuh .................................................................................15 2.3.1. Iklim ....................................................................................... 15 2.4. Gejala Umum Kekurangan Unsur Hara Pada Tanaman ...................16 2.5. Citra Digital ......................................................................................16 2.6. Resolusi dan kuantisasi .....................................................................17 2.7. Pengolahan Citra ...............................................................................18 2.8. Pre-processing ..................................................................................18 2.8.1. Model Warna .......................................................................... 18 2.8.2. Pengambangan (Thresholding)............................................... 21 2.8.3. Normalisasi Intensitas ............................................................ 22 2.8.4. Morphologi ............................................................................. 22 2.8.5. Connected Component Labeling ............................................ 24 2.8.6. Run Length Encoding (RLE) .................................................. 25 2.8.7. Bounding Box ......................................................................... 26 2.8.8. Transformasi Geometri (Cropping)........................................ 27 2.9. Luas Area Objek dengan Metode Momen (Moments)......................28 2.10. Color Moments .............................................................................29 2.11. Co-Occurrence .............................................................................31 ix

2.11.1. Gray-Level Co-occurence Matrix (GLCM) ............................ 31 2.12. Jaringan Saraf Tiruan Backpropagation .......................................32 BAB III METODE PENELITIAN.........................................................................36 3.1. Tempat dan Waktu Penelitian ..........................................................36 3.2. Bahan dan Alat penelitian ................................................................36 3.2.1. Bahan ...................................................................................... 36 3.2.2. Alat penelitian ........................................................................ 36 3.3. Prosedur penelitian ..........................................................................37 3.3.1. Persiapan ................................................................................ 37 3.3.2. Gambaran Umum Sistem ....................................................... 39 3.3.3. Pengolahan Citra .................................................................... 40 3.3.4 Penyusunan model jaringan syaraf tiruan .............................. 47 3.3.5. Nama File Citra daun sawi hijau ............................................ 55 3.3.6. Validasi Hasil Pengujian ........................................................ 56 3.3.7. Pengujian Laboratorium ......................................................... 57 BAB IV HASIL DAN PEMBAHASAN................................................................58 4.1. Hasil Eksekusi Program ...................................................................58 4.1.1. Image Resize, Segmentasi dan Cropping ............................... 59 4.1.2. Ekstraksi fitur warna dengan Color Moments HSV................ 64 4.1.3. Ekstraksi fitur tekstur dengan GLCM .................................... 65 4.1.4. Perhitungan Luas Area Daun Sawi Hijau dengan metode Moments .............................................................................................. 68 4.1.5. Penyimpanan Data Menggunakan DBMS Mysql .................. 69 4.1.6. Data Citra Daun Tanaman Sawi Hijau ................................... 71 4.1.7. Normalisasi Data .................................................................... 73 4.1.8 Pelatihan dan Pengujian Jaringan Saraf Tiruan Backpropagation .................................................................... 75 BAB V SIMPULAN DAN SARAN .....................................................................96 5.1 Simpulan ..........................................................................................96 5.2 Saran ................................................................................................97 DAFTAR PUSTAKA ............................................................................................98 LAMPIRAN .................................................................................................101

x

DAFTAR TABEL Halaman Tabel 2.1. Pengklasifikasian 80 sampel dengan metode fuzzy K-NN ...................11 Tabel 2.2. Hasil analisis data dari PCA dan PNN .................................................12 Tabel 3.1. Perlakuan pemberian pupuk N, P, dan K dalam Gram/tanaman. .........37 Tabel 3.2. Target Output Identifikasi Nitrogen .....................................................49 Tabel 3. 3. Target output identifikasi umur tanaman sawi hijau ...........................49 Tabel 3.4. Target Output Identifikasi umur ...........................................................49 Tabel 4. 1. Hasil kombinasi 1 hidden layer 3 kelas kandungan N ........................79 Tabel 4. 2. Hasil kombinasi 2 hidden layer 3 kelas kandungan N ........................81 Tabel 4. 3. Hasil kombinasi 1 hidden layer 3 kelas kandungan K ........................83 Tabel 4.4. Hasil kombinasi 2 hidden layer 3 kelas kandungan K .........................85 Tabel 4. 5. Hasil kombinasi 1 hidden layer 3 kelas umur tanaman sawi hijau. ....88 Tabel 4. 6. Hasil kombinasi 2 hidden layer 3 kelas umur tanaman sawi hijau .....89

xi

DAFTAR GAMBAR Halaman Gambar 2.1. Histogram b* dari CIE1976 .............................................................10 Gambar 2.2. Tanaman Sawi hijau ........................................................................13 Gambar 2.3. Skema warna RGB ..........................................................................19 Gambar 2.4. Visualisasi 256 aras keabuan ...........................................................20 Gambar 2.5. Kelompok pixel yang berhubungan 4-connected dan 8-connected .23 Gambar 2.6. Contoh structuring elements (SE) ...................................................23 Gambar 2.7. Contoh RLE sederhana ....................................................................26 Gambar 2.8. Major dan minor axis .......................................................................26 Gambar 2.9. bounding box ...................................................................................27 Gambar 2.10. Contoh cropping citra ....................................................................27 Gambar 2.11. Contoh citra di-crop sebesar W x H ..............................................28 Gambar 2.12. Citra 5 x 5 dengan gray level 0, 1, 2, 3 ..........................................32 Gambar 2.13. Arah 0o, 45o, 90o, 135o ...................................................................32 Gambar 2.14. Saraf Tiruan Backpropagation Dengan 1 Lapisan Tersembunyi ..34 Gambar 3.1. Kotak akuisisi citra daun sawi hijau ................................................38 Gambar 3.2. Gambaran Umum Sistem.................................................................39 Gambar 3.3. Model 1 dengan 1 hidden layer untuk identifikasi N dan K ...........51 Gambar 3.4. Model 2 dengan 2 hidden layer untuk identifikasi N dan K ...........52 Gambar 3.5. Kombinasi 1 Hidden Layer untuk identifikasi umur .......................53 Gambar 3.6. Kombinasi 2 Hidden Layer untuk identifikasi umur tanaman.........54 Gambar 4.1. Tampilan awal program saat dijalankan ..........................................58 Gambar 4.2. Citra daun tanaman sawi hijau hasil akuisisi ...................................59 Gambar 4.3. (a) red channel, (b) green channel, (c) blue channel ......................60 Gambar 4.4. Citra hasil ExG-ExR.........................................................................60 Gambar 4.5. Citra biner hasil Thresholding Otsu.................................................61 Gambar 4.6. Citra Biner hasil Opening dan Labeling ..........................................61 Gambar 4.7. Hasil segmentasi citra daun sawi hijau ............................................62 Gambar 4.8. Citra hasil Cropping ........................................................................62 Gambar 4.9. Tampilan menu untuk Cropping Otomatis ......................................63 Gambar 4.10. Tampilan Pemilihan Folder Citra yang akan di Crop ....................63 Gambar 4.11. Tampilan Program untuk Cropping manual ..................................64 Gambar 4.12. Konversi Citra RGB menjadi HSV ...............................................64 Gambar 4.13.Nilai Mean, Standar Deviasi dan Skewness HSV dan RGB ...........65 Gambar 4.14. Nilai GLCM 0o , 45o ,90o, dan 135o. ..............................................66 Gambar 4.15. Citra biner daun sawi hijau. ...........................................................68 Gambar 4.16. Nilai Area daun dengan metode Moments .....................................68 Gambar 4.17. Basis Data hasil ekstraksi fitur ......................................................69 Gambar 4.18. Struktur tbfitur Model 2 untuk Pelatihan Backpropagation ..........70 Gambar 4.19. Struktur tb_hasil_uji_n1 Model 2 untuk Pengujian Jaringan Backpropagation ............................................................................71 Gambar 4.20. Grafik Color Moments HSV citra daun sawi hijau umur 10 hari ..72 xii

Gambar 4.21. Grafik Color Moments HSV citra daun sawi hijau umur 15 hari ..73 Gambar 4.22. Contoh data hasil ekstraksi fitur dalam format dat ........................74 Gambar 4.23. Contoh data hasil normalisasi dalam format dat ...........................75 Gambar 4.24. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas N ...................77 Gambar 4.25. Grafik MSE pada Epoch 20000 .....................................................78 Gambar 4.26. Koefisien Korelasi pada hidden layer 40-1 (R=0.9999)................78 Gambar 4.27. Hasil Pelatihan 2 Hidden layer 40-20-1 untuk 3 kelas N ..............79 Gambar 4.28. MSE pada Epoch 20000 ................................................................80 Gambar 4.29. Koefisien Korelasi pada hidden layer 40-20-1 (R=1) ...................80 Gambar 4.30. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas K ...................82 Gambar 4.31. MSE pada Epoch 20000 ................................................................82 Gambar 4.32. Koefisien Korelasi pada 1 hidden layer 40-1 (R=0,9416).............83 Gambar 4.33. Hasil Pelatihan 1 Hidden layer 40-20-1 untuk 3 kelas K ..............84 Gambar 4.34. MSE pada Epoch 20000 ................................................................84 Gambar 4.35. Koefisien Korelasi pada 2 hidden layer 40-20-1 (R=0,9420) .......85 Gambar 4.36. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas umur ..............87 Gambar 4.37. Grafik MSE pada Epoch 20000 .....................................................87 Gambar 4.38. Koefisien Korelasi pada hidden layer 40-1 (R= 1)........................88 Gambar 4.39. Grafik Warna dan Tekstur umur 10, 20 dan 30 hari. .....................90 Gambar 4.40. Perubahan luas area daun tanaman Sawi hijau. .............................90 Gambar 4.41. Tampilan program menampilkan hasil identifikasi Nitrogen ........91 Gambar 4.42. Tampilan program menampilkan hasil identifikasi Kalium ..........92 Gambar 4.43. Tampilan program menampilkan hasil identifikasi umur..............92 Gambar 4.44. Grafik hubungan mean warna Hue dengan klorofil umur 15 hari .93 Gambar 4.45. Grafik hubungan mean warna Hue dengan klorofil umur 20 hari .94 Gambar 4.46. Grafik hubungan mean warna Hue dengan klorofil umur 25 hari .94 Gambar 4.47. Grafik hubungan mean warna Hue dengan klorofil umur 30 hari .95

xiii

BAB I BAB I

PENDAHULUAN PENDAHULUAN

1.1. Latar Belakang Indonesia jika ditinjau secara klimatologis merupakan daerah yang cocok untuk pengembangan bisnis tanaman sayuran. Salah satunya adalah Sawi hijau (Brassica juncea L) varietas Tosakan yang merupakan komoditas yang dengan nilai komersial dan digemari masyarakat Indonesia. Konsumen menggunakan daun sawi baik sebagai bahan pokok maupun sebagai pelengkap masakan tradisional dan masakan cina. Selain sebagai bahan pangan, sawi hijau dipercaya dapat menghilangkan rasa gatal di tenggorokan pada penderita batuk. Sawi hijau pun berfungsi sebagai penyembuh sakit kepala dan mampu bekerja sebagai pembersih darah (Haryanto dkk. 2001). Tanaman sawi memiliki masa panen yang singkat ditambah dengan adanya pasar yang terbuka membuat pengusaha atau petani hortikultura tertarik untuk membudidayakan sawi (Hapsari, 2002). Peningkatan pengetahuan masyarakat akan kebutuhan gizi membuat permintaan akan sawi menjadi semakin meningkat seiring dengan peningkatan jumlah penduduk pula, untuk itu perlu dilakukan perbaikan teknologi budidaya sayuran sawi tersebut. Tanaman sawi dapat ditanam secara hidroponik ataupun non hidroponik. Hidroponik merupakan cara bercocok tanam tanpa tanah, yaitu menggunakan air atau bahan porous lainnya dengan pemberian unsur hara terkendali yang berisi unsur-unsur esensial yang dibutuhkan tanaman (Lingga, 1999). Menurut Siswandi

1

2

(2006) tanaman yang ditanam secara hidroponik memiliki banyak kelebihan yaitu pengendalian hama dan penyakit karena budidaya dilakukan dalam greenhouse, penggunaan pupuk dan air lebih efisien karena diberikan sesuai dengan kebutuhan tanaman, budidaya tidak tergantung musim, dan memungkinkan pengembangan aplikasi teknologi komputer serta kontrol otomatik dalam budidaya seperti misalnya sistem fertigasi otomatis berbasis microcontroller untuk mengatur pemberian nutrisi tanaman (Suhardiyanto, 2009). Tanaman sawi membutuhkan hara esensial untuk dapat hidup dan berproduksi optimal. Adapun unsur hara esensial tersebut adalah unsur hara makro seperti Nitrogen, Fosfor dan Kalium (NPK). Unsur hara Nitrogen lebih dibutuhkan

untuk

pertumbuhan

tanaman

sayuran

seperti

halnya

sawi

dibandingkan dengan unsur hara esensial lainnya. Unsur N memegang peranan penting dalam proses fisiologis dan biokimia tanaman. Nitrogen merupakan komponen penyusun klorofil yang berperan dalam proses fotosintesa. Konsentrasi Nitrogen dari daun, batang dan akar berubah selama masa pertumbuhan tanaman sawi, pada tahap awal pertumbuhan konsentrasi Nitrogen yang melalui tanaman akan menjadi tinggi, namun seiring bertambah umur tanaman konsentrasi Nitrogen menurun, dan pada umumnya juga dipengaruhi oleh ketersediaan sumber Nitrogen dari luar tanaman. Bagian dari tanaman yang sering menjadi indikator kurangnya ketersediaan Nitrogen adalah bagian daun, karena daun merupakan organ akif untuk asimilasi dan dapat merefleksikan status nutrisi dari tanaman. Defisiensi Nitrogen ditandai dengan perubahan warna daun yang menjadi menguning (mengalami klorosis), dimulai dari bagian bawah daun.

3

Defisiensi yang kuat akan menyebabkan daun berwarna semakin coklat dan mati (Samekto, R., 2008) Kalium merupakan unsur kedua terbanyak yang dibutuhkan tanaman setelah Nitrogen, tanaman yang mengalami defisiensi Kalium ditandai dengan terjadinya klorosis pada daun tua (kehilangan klorofil), kemudian bagian tepi daun mengalami nekrosis atau kematian sel sebagai akibat dari adanya kerusakan sel akut (Samekto,R., 2008). Furuya (1987) melaporkan bahwa selama tahun 1980 warna daun menjadi lebih diperhatikan karena warna daun paling baik menunjukkan status nutrisi tanaman. Sejak itu, penelitian tentang cara pengukuran warna daun mengalami kemajuan dan memudahkan pengukuran warna daun di lapangan. Untuk tanaman padi, status nutrisi tanaman diukur menggunakan skala warna daun padi baku (Standard rice leaf color scale). Skala warna ini digunakan untuk mengukur warna daun dari daun tunggal atau komunitas tanaman. Dalam aplikasi warna di atas, berbagai penelitian memperlihatkan bahwa pengukuran daun tunggal menunjukkan korelasi nyata dengan rata-rata kandungan N dan komponenkomponen hasil pada kebanyakan varietas padi. Skala warna ini penggunaannya terbatas hanya pada tanaman serelia. Identifikasi kondisi Nitrogen dan Kalium pada tanaman sawi dapat dilakukan secara manual dengan pengelihatan mata manusia pada masing-masing tanaman, karena warna daun sawi akan berubah jika tanaman kekurangan Nitrogen atau Kalium, namun melakukan identifikasi warna daun dengan indera mata manusia memiliki kelemahan jika banyak tanaman yang harus diidentifikasi

4

dan dalam waktu yang panjang, ditambah lagi setiap orang memiliki penilaian berbeda terhadap warna. Beberapa metoda pengukuran mempunyai kelemahan termasuk kerusakan pada tanaman (destructive method), memerlukan peralatan yang mahal, dan kesulitan dalam pengukuran. Sebagai contoh, fluoresensi klorofil sering digunakan untuk menganalisis fotosintesa tanpa merusak tanaman. Karena itu, perubahan fluoresen adalah suatu indeks yang berguna untuk menunjukkan efisiensi fotosintesis, juga kondisi klorofil dan kehijauan daun. Salah satu fluorometer ini disebut MINIPAM, namun penggunaannya terbatas (Kim dkk. 2006). Pada awal abad dua puluhan mulai banyak digunakan suatu alat portable SPAD meter yang dapat digunakan untuk mengukur tingkat warna hijau atau klorofil relative pada daun yang dideteksi melalui dua panjang gelombang berbeda, Namun ditemui banyak kekurangan dalam SPAD meter tersebut yaitu tidak efisien karena diperlukan banyak pembacaan secara acak pada satu daun, bermasalah jika konsentrasi Nitrogen di atas standar normal pada beberapa tanaman seperti jagung dan gandum (Yao, X., dkk. 2010). Dari beberapa metode pendeteksian status nutrisi pada warna daun, penggunaannya masih terbatas pada tanaman pangan (berbagai varietas padi, gandum, jagung) dan sangat jarang diaplikasikan pada tanaman sayur-sayuran. Penerapan pengolahan citra digital (Digital Image Processing) merupakan teknologi visual yang semakin berkembang di banyak bidang termasuk bidang pertanian, pengolahan citra digital dalam pertanian digunakan untuk sortasi atau

5

klasifikasi, pengawasan mutu, dan identifikasi baik untuk sayuran dan buahbuahan. Analisis status nutrisi berbasis pengolahan citra dalam bidang pertanian mengalami perkembangan yang sangat cepat sebagai metode non-destruktif untuk optimalisasi fertilizer masukan (input), peningkatan hasil panen dan efisiensi penggunaan sumberdaya (Yao, X., dkk. 2010). Melalui penelitian ini dikembangkan suatu sistem untuk mengidentifikasi kondisi Nitrogen, Kalium dan umur pada tanaman sawi dengan memanfaatkan teknologi pengolahan citra digital dan jaringan saraf tiruan. Proses identifikasi dilakukan dengan melakukan pengamatan terhadap citra daun tanaman sawi hijau. Dengan teknologi visual pengamatan dilakukan tanpa harus berhubungan langsung dengan objek, sehingga membantu meminimalisasi kesalahan atau error dari identifikasi secara manual yang selama ini dilakukan karena efek kelelahan atau subyektivitas visual manusia. Adapun tahapan yang dilakukan untuk melakukan identifikasi Nitrogen, Kalium dan umur pada tanaman sawi dimulai dari akuisisi citra dilanjutkan dengan pemisahan latar belakang (background) dengan objek daun tanaman sawi, setelah diperoleh citra daun tanaman sawi yang terpisah dengan background, dilakukan ekstraksi fitur warna dengan metode color moments. Kelebihan metode color moments adalah mampu melakukan ekstraksi fitur warna tanpa dipengaruhi masalah perbedaan pencahayaan dan perbedaan ukuran citra. Ekstraksi fitur tekstur citra daun tanaman sawi hijau dilakukan dengan menggunakan metode Gray Level Co-occurence Matrix (GLCM), metode ini sesuai diterapkan untuk tekstur yang terbentuk secara alami atau tidak

6

disengaja oleh manusia karena metode ini dalam perhitungan secara statistiknya menggunakan distribusi derajat keabuan (histogram) dalam citra. Hasil fitur warna dan tekstur tersebut digunakan untuk input (masukan) jaringan syaraf tiruan (JST) Backpropagation untuk melakukan identifikasi kondisi Nitrogen, Kalium dan umur tanaman sawi hijau.

1.2. Rumusan Masalah Pada penelitian ini permasalahan difokuskan pada : 1.

Apakah kandungan Nitrogen dan Kalium yang diberikan pada tanaman sawi dapat diketahui dengan menggunakan metode Color Moments, Gray Level Co-occurence Matrix dan jaringan saraf tiruan Backpropagation.

2.

Bagaimana implementasi pengolahan citra digital dan jaringan syaraf tiruan untuk melakukan identifikasi Nitrogen dan Kalium pada tanaman sawi dengan menggunakan metode Color Moments, Gray Level Co-occurence Matrix dan jaringan saraf tiruan Backpropagation.

3.

Apakah umur tanaman sawi dapat diketahui dengan menggunakan metode Color Moments, Gray Level Co-occurence Matrix, Moments dan jaringan saraf tiruan Backpropagation.

1.3. Tujuan Secara umum penelitian ini bertujuan untuk mengidentifikasi kandungan Nitrogen dan Kalium pada tanaman sawi dengan pengolahan citra dan jaringan saraf tiruan.

7

Secara khusus tujuan dari penelitian ini adalah : 1.

Mengembangkan software yang dapat melakukan identifikasi Nitrogen dan Kalium pada tanaman sawi menggunakan Color moments, Gray Level Cooccurence Matrix dan jaringan saraf tiruan Backpropagation.

2.

Menguji kinerja metode Color moments, Gray Level Co-occurence Matrix dan jaringan saraf tiruan backpropagation yang digunakan dalam mengetahui kandungan Nitrogen dan Kalium pada tanaman sawi.

3.

Menguji kinerja metode Color moments, Gray Level Co-occurence Matrix, Moments dan jaringan saraf tiruan backpropagation yang digunakan dalam mengetahui umur tanaman sawi mulai dari 1 hari setelah tanam sampai 30 hari setelah tanam.

1.4. Manfaat Penelitian Penelitian ini diharapkan dapat digunakan sebagai aplikasi awal untuk sistem fertigasi tanaman sawi secara hidroponik pada greenhouse, sehingga dapat digunakan sebagai pengambil keputusan kapan tanaman sawi membutuhkan pemberian Nitrogen dan Kalium, sehingga diperoleh hasil panen dengan kualitas yang baik. Penerapan variable rate technology untuk meningkatkan efisiensi pemberikan pupuk sehingga akumulasi pupuk pada media tanam dapat dihindari, serta mengurangi leaching karena pemberian fertigasi dilakukan pada waktu dan komposisi yang kurang tepat.

8

1.5. Ruang Lingkup Penelitian Penelitian ini memfokuskan pada pengolahan citra daun sawi untuk mengidentifikasi kandungan Nitrogen dan Kalium menurut perlakuan Nitrogen dan Kalium yang diberikan dengan menggunakan metode jaringan saraf tiruan Backpropagation. Penelitian ini hanya dibatasi pada hal-hal sebagai berikut: 1.

Tanaman sawi ditanam secara hidroponik dalam greenhouse.

2.

Obyek yang akan digunakan adalah citra tunggal daun tanaman sawi (Brassica Juncea L.) varietas Tosakan dengan umur maksimum 30 hari setelah tanam.

3.

Gambar yang diambil adalah posisi permukaan atas daun sawi menggunakan kamera digital.

4.

Citra yang digunakan berformat .jpg

5.

Faktor penentu pertumbuhan tanaman yang lainnya dibuat seragam.

6.

Perangkat lunak yang dibangun hanya untuk mengidentifikasi atau mengenali warna daun terkait dengan jumlah atau kadar nutrisi yang diberikan.

7.

Aplikasi dibangun menggunakan software Matlab R2009b.

1.6. Keaslian Penelitian Penelitian yang berkaitan dengan identifikasi kadar Nitrogen dan Kalium terhadap warna daun telah dilakukan oleh Xu, G., dkk. (2009) dimana dalam penelitian tersebut dilakukan ekstraksi fitur warna dan tekstur dengan metode histogram intensitas, histogram persen diferensial, fourier transform, dan wavelet. Kemudian dilakukan identifikasi dengan menggunakan Genetic Algorithm (GA)

9

untuk mendiagnosa kekurangan Nitrogen dan Kalium pada daun tomat, dari penelitian tersebut diperoleh bahwa akurasi diagnose di atas 82,5 %. Estimasi kadar Nitrogen dan kadar klorofil pada Asian Pear dilakukan oleh Ghasemi, M., dkk. (2011) menggunakan alat yang disebut dengan Chlorophyll Content Meter (CCM-200). Penelitian tentang identifikasi penyakit pada daun jeruk dilakukan oleh Pydipati, R., dkk. (2006) menggunakan teknik pengolahan citra ekstraksi fitur warna dan tekstur dengan metode co-occurrence kemudian dilakukan analisis statistik dengan metode SAS. Penelitian tentang pengenalan daun otomatis untuk klasifikasi tanaman dilakukan oleh Gang Wu, S. dkk. (2007) dengan teknik pengolahan citra dan pengolahan data Probabilistic Neural Network (PNN). Penelitian dilakukan oleh Wang Li-shu pada tahun 2010 dengan menggunakan komputer visual dan pengumpulan informasi citra berdasarkan pra pengolahan dengan model identifikasi untuk mendeteksi elemen Nitrogen pada daun kedelai. Dari beberapa penelitian di atas belum ditemukan penelitian yang mengungkap tentang identifikasi kekurangan Nitrogen dan Kalium, kandungan Nitrogen dan Kalium pada tanaman sawi hijau serta mengetahui umur tanaman sawi dengan menggunakan metode Color Moments, Gray Level Co-Occurence Matrix dan metode jaringan syaraf tiruan Backpropagation.

BAB II BAB II TINJAUAN PUSTAKA TINJAUAN PUSTAKA

2.1. State Of The Art Review Penelitian tentang identifikasi defisiensi Nitrogen dan Kalium pada tanaman tomat dengan pengolahan citra dan neural network telah dilakukan oleh Xu, G., dkk. (2009) dimana diagnosa defisiensi dengan melakukan ekstraksi ciri dari warna dan tekstur. Fitur histogram digunakan untuk ekstraksi fitur warna, kemudian juga digunakan b* dari CIE1976, hasilnya seperti gambar 2.1 dibawah ini.

Sumber : Xu, G., dkk. 2009

Gambar 2.1. Histogram b* dari CIE1976 Untuk ekstraksi fitur tekstur dilakukan pembandingan hasil dari penggunaan wavelet transform dengan Fourier transform. Pengklasifikasian digunakan metode fuzzy K-NN, dari 80 sample yang digunakan untuk training dan pengujian diperoleh hasil seperti Tabel 2.1.

10

11

Tabel 2.1. Pengklasifikasian 80 sampel dengan metode fuzzy K-NN Test Set

Normal

Nitrogen deficient Potassium deficient

Normal Leaves

95 %

2.5%

2.5%

Nitrogen Deficient Leaves

7.5%

90%

2.5%

Potassium Deficient Leaves

7.5%

7.5%

85%

Sumber : Xu, G., dkk. 2009

Penelitian yang dilakukan oleh Gang Wu, S., dkk. (2007) menerapkan ekstraksi ciri berdasarkan ciri geometris daun, kemudian dilanjutkan dengan klasifikasi

menggunakan

Probabilistic

Neural

Network

(PNN).

Dalam

penelitiannya digunakan 5 dasar fitur geometris yang terdiri dari diameter, panjang fisik, lebar fisik, area daun dan perimeter daun, kemudian dari 5 fitur dasar tersebut dijabarkan menjadi 8 fitur morphologi yang digunakan untuk pengenalan daun seperti smooth factor, aspek rasio, rectangularity, narrow factor, rasio perimeter dari panjang fisik dan lebar fisik daun dan fiture vein. Kemudian untuk data analisis digunakan Principal Component Analysis (PCA) dan Probabilistic Neural Network (PNN). Dari 32 jenis tanaman masing-masing digunakan 10 helai daun dalam penelitian ini dan adapun hasilnya seperti pada Tabel 2.2.

12

Tabel 2.2. Hasil analisis data dari PCA dan PNN

Tingkat akurasi rata dari hasil penelitian ini adalah 90,312%. Penelitian lain yang meneliti perkiraan terhadap kandungan klorofil daun dan Nitrogen pada buah Asian Pear dilakukan oleh Ghasemi M., dkk. (2011) dengan menggunakan alat yang disebut dengan Chlorophyll Content Meter (CCM-200). Metode perkiraan kadar klorofil daun pada anggur dilakukan oleh Steele M, dkk. (2008), dilakukan dengan mengukur reflektansi spektral RGB dari daun. Wang Li-shu pada tahun 2010 melakukan penelitian tentang identifikasi elemen Nitrogen pada daun kedelai. Akuisisi citra daun kedelai dilakukan menggunakan scanner kemudian dilakukan pre-processing dengan metode spatial domain image enhancement, kemudian segmentasi citra menggunakan algoritma

13

super green segmentation. Pada ekstraksi fitur teksur digunakan metode grey level histogram equalization.

2.2. Botani Tanaman Sawi hijau Tanaman sawi (Brassica juncea L.) masih satu famili dengan kubis-krop, kubis bunga, broccoli dan lobak atau rades, yakni famili cruciferae (brassicaceae) olek karena itu sifat morfologis tanamannya hampir sama, terutama pada sistem perakaran, struktur batang, bunga, buah (polong) maupun bijinya. Tanaman sawi seperti Gambar 2.2.

Gambar 2.2. Tanaman Sawi hijau Sawi termasuk ke dalam kelompok tanaman sayuran daun yang mengandung zat-zat gizi lengkap yang memenuhi syarat untuk kebutuhan gizi masyarakat. Sawi hijau bisa dikonsumsi dalam bentuk mentah sebagai lalapan maupun dalam bentuk olahan dalam berbagai macam masakan. Selain itu berguna untuk pengobatan (terapi) berbagai macam penyakit (Cahyono, 2003).

14

Klasifikasi tanaman sawi dalam (Rukmana, 2002) sebagai berikut : Divisi

: Spermatophyta

Kelas

: Angiospermae

Sub-kelas

: Dicotyledonae

Ordo

: Papavorales

Famili

: Brassicaceae

Genus

: Brassica

Spesies

: Brassica juncea L.

Sistem perakaran tanaman sawi memiliki akar tunggang (radix primaria) dan cabang-cabang akar yang bentuknya bulat panjang (silindris) menyebar kesemua arah dengan kedalaman antara 30-50 cm. Akar-akar ini berfungsi antara lain mengisap air dan zat makanan dari dalam tanah, serta menguatkan berdirinya batang tanaman (Heru dan Yovita, 2003) Batang tanaman sawi pendek dan beruas-ruas sehingga hampir tidak kelihatan. Batang ini berfungsi sebagai alat pembentuk dan penopang daun (Rukmana, 2002). Sawi berdaun lonjong, halus, tidak berbulu dan tidak berkrop. Pada umumnya pola pertumbuhan daunnya berserak (roset) hingga sukar membentuk krop (Sunarjono, 2004). Tanaman sawi umumnya mudah berbunga dan berbiji secara alami baik di dataran tinggi

maupun di dataran rendah. Stuktur bunga sawi

tersusun dalam tangkai bunga (inflorescentia) yang tumbuh memanjang (tinggi) dan bercabang banyak. Tiap kuntum bunga sawi terdiri atas empat helai daun kelopak, empat helai daun mahkota bunga berwarna kuning

15

cerah, empat helai benang sari dan satu buah putik yang berongga dua (Rukmana, 2002).

2.3.

Syarat Tumbuh

2.3.1. Iklim Curah hujan yang cukup sepanjang tahun dapat mendukung kelangsungan hidup tanaman karena ketersedian air tanah yang mencukupi. Tanaman sawi hijau tergolong tanaman yang tahan terhadap curah hujan, sehingga penanaman pada musim hujan masih bisa memberikan hasil yang cukup baik. Curah hujan yang sesuai untuk pembudidayaan tanaman sawi hijau adalah 1000-1500 mm/tahun. Akan tetapi tanaman sawi yang tidak tahan terhadap air yang menggenang. (Cahyono, 2003) Tanaman sawi pada umumnya banyak ditanam di dataran rendah. Tanaman ini selain tahan terhadap suhu panas (tinggi) juga mudah berbunga dan menghasilkan biji secara alami pada kondisi iklim tropis Indonesia. (Haryanto dkk. 2002). p udara yang sesuai untuk pertumbuhan tanaman sawi hijau yang optimal berkisar antara 80%-90%. Kelembaban udara yang tinggi lebih dari 90 persen berpengaruh buruk terhadap pertumbuhan tanaman. Kelembaban yang tinggi tidak sesuai dengan yang dikehendaki tanaman, menyebabkan mulut daun (stomata) tertutup sehingga penyerapan gas karbondioksida (CO2) terganggu. Dengan demikian kadar gas CO2 tidak dapat masuk kedalam daun, sehingga kadar gas CO2 yang diperlukan tanaman untuk fotosintesis tidak memadai. Akhirnya proses fotosintesis tidak berjalan dengan baik sehingga semua proses pertumbuhan pada tanaman menurun. (Cahyono, 2003)

16

2.4. Gejala Umum Kekurangan Unsur Hara Pada Tanaman 1. Kekurangan Nitrogen (N): Nitrogen merupakan unsur aktif didalam tanaman, oleh karena itu gejala kekurangannya akan dimulai pada daundaun yang lebih tua. Kadang-kadang disertai dengan berubahnya warna daun menjadi kemerahan sebagai akibat terbentuknya anthocyanin. 2. Kekurangan Fosfor (P) : Kekurangan fosfor akan memicu rontoknya daun. Sebelumnya daun menunjukkan gejala muculnya warna kemerahan atau keunguan. 3. Kekurangan Kalium (K) : Kekurangan Kalium ditandai dengan munculnya bercak-bercak kuning pada daun, diikuti dengan mati atau mengeringnya ujung dan pinggiran daun. Kejadian ini dimulai dari bagian tanaman yang lebih tua.

2.5. Citra Digital Citra digital dapat didefinisikan sebagai suatu fungsi dua dimensi f(x,y), dengan x dan y merupakan koordinat sedangkan f adalah amplitude pada posisi (x,y) yang sering disebut atau dikenal dengan intensitas atau grayscale (Gonzales, 2002). Nilai dari intensitas mulai dari 0 sampai 255. Citra yang ditangkap oleh kamera dan telah dikuantisasi dalam bentuk diskrit disebut sebagai citra digital (digital image). Citra digital tersusun dari sejumlah nilai tingkat keabuan yang dikenal dengan pixel pada posisi tertentu. Jumlah pixel per satuan panjang akan menentukan resolusi citra tersebut, makin banyak pixel yang

17

mewakili suatu citra maka nilai resolusi dari citra tersebut akan semakin tinggi yang ditandai dengan semakin halusnya gambar atau citra tersebut.

2.6. Resolusi dan kuantisasi Menurut Solomon, C dan Breckon T. (2011) Ukuran dari grid pixel 2D dan ukuran data dari masing-masing pixel citra menentukan resolusi spasial dan kuantisasi warna dari citra. Representasi dan ukuran dari suatu citra ditentukan oleh resolusinya. Resolusi dari sumber citra seperti misalnya kamera dapat dibedakan dalam tiga kuantitas. 1. Resolusi spasial, dimensi kolom (C) dikalikan baris (R) menjelaskan jumlah pixel yang digunakan untuk menutupi jarak visual yang ditangkap pada citra, yang berhubungan dengan sampling sinyal citra dan resolusi digital dari citra. C x R seperti misalnya 640 x 480, 800 x 600, 1024 x 768. 2. Resolusi temporal, untuk melakukan sistem capture yang kontinu seperti video, merupakan angka dari citra yang ditangkap dalam suatu periode waktu tertentu. Sering disebut frame per second (fps), dimana pada masing-masing citra disebut suatu frame video. Seperti misalnya penyiaran TV beroperasi pada 25 fps, 25-30 fps sesuai untuk pengintaian secara visual. 3. Resolusi Bit, merupakan jumlah dari kemungkinan intensitas atau warna yang dimiliki oleh suatu pixel yang berhubungan dengan kuantisasi dari informasi citra.

18

2.7. Pengolahan Citra Pengolahan citra (Image Processing) mempunyai tujuan sebagai berikut: 1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat informasi yang diharapkan dengan meninterpretasikan citra yang ada. 2. Mengekstrasi informasi ciri yang menonjol pada suatu citra.

2.8.

Pre-processing

2.8.1. Model Warna Sebuah gambar mengandung satu atau lebih channel warna yang menentukan intensitas atau warna pada pixel tertentu I (m,n). Dalam kasus yang paling sederhana, setiap lokasi pixel hanya berisi nilai numerik tunggal mewakili level sinyal pada titik tertentu dalam gambar. Konversi dari serangkaian nomor ke gambar (ditampilkan) aktual dicapai melalui peta warna. Peta warna memberikan warna spesifik untuk setiap level numerik dalam gambar untuk memberikan representasi data secara visual.

2.8.1.1 Model Warna RGB (Red, Green, Blue) Model warna RGB berorientasi hardware, terutama untuk warna monitor dan warna pada kamera video. Dalam model ini tiap warna ditunjukkan dengan kombinasi tiga warna primer yang membentuk sistem koordinat cartesian tiga dimensi. Seperti pada Gambar 2.3. subruang pada diagram tersebut menunjukkan posisi tiap warna. Nilai RGB terletak pada satu sudut dengan cyan, magenta, dan

19

yellow berada di sudut lainnya. Warna hitam berada pada titik asal, sedangkan warna putih terletak pada titik terjauh dari titik asal. Grayscale membentuk garis lurus dan terletak di antara kedua titik tersebut.

Sumber : Gonzales, 2002.

Gambar 2.3. Skema warna RGB 2.8.1.2 Model Warna HSV Model HSV (Hue ( Saturation Value)) menunjukkan ruang warna dalam bentuk tiga komponen utama, yaitu hue, saturation dan value (brightness). (brightness) Hue menunjukkan jenis warna atau corak warna, yaitu tempat warna tersebut ditemukan dalam spektrum spe warna. Hue berupa sudut dari 0 sampai 360 derajat. Saturasi suatu warna adalah ukuran seberapa besar kemurnian dari warna tersebut. Saturasi biasanya bernilai 0 sampai 1 (atau 0% sampai 100%) dan menunjukkan nilai keabu-abuan abuan warna dimana 0 menunjukkan abu-abu abu abu dan 1 menunjukkan warna primer murni. Value atau intensitas yaitu ukuran seberapa besar kecerahan suatu warna atau seberapa besar cahaya datang dari suatu warna. Nilai value dari 0% sampai 100%.

20

2.8.1.3 Grayscale Untuk mendapatkan citra grayscale (keabuan) digunakan rumus: I(x,y) = α.R + β.G + γ.B …………………………. (2.1) dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan mengatur komposisi warna R (merah), G (hijau) dan B (biru) yang ditunjukkan oleh nilai parameter α, β dan γ. Secara umum nilai untuk ketiga parameter tersebut adalah 0.33. Nilai yang lain juga dapat diberikan dengan syarat total nilai seluruh parameter adalah 1. Intensitas citra keabuan disimpan sebagai integer 8 bit sehingga memberikan 28 = 256 tingkat keabuan dari warna hitam sampai warna putih. Dengan menggunakan pola 8-bit ini citra beraras keabuan membutuhkan ruang memori dan waktu pengolahan yang lebih sedikit daripada citra berwarna (RGB). Pada Gambar 2.3 diperlihatkan visualisasi 256 aras keabuan.

Sumber: Pratt, 2001.

Gambar 2.4. Visualisasi 256 aras keabuan

21

2.8.2. Pengambangan (Thresholding) Proses pengambangan akan menghasilkan citra biner, yaitu citra yang memiliki dua nilai tingkat keabuan, yaitu hitam dan putih. Secara umum proses pengambangan menggunakan rumus sebagai berikut: ,

=

1, 0,

, ,

≥ <

……………………………. (2.2)

dengan g(x,y) adalah citra biner dari citra grayscale f(x,y) dan T menyatakan nilai ambang. Ada beberapa metode yang dapat digunakan untuk menentukan nilai ambang T, yaitu metode histogram dan metode otsu.

2.8.2.1 Metode Histogram Nilai T ditentukan berdasarkan histogram dari citra yang akan diambangkan. Suatu citra yang memiliki objek tunggal dengan latar belakang homogen biasanya memiliki histogram yang bimodal (memiliki dua maksimum puncak).

2.8.3.2 Metode Otsu Nilai T dihitung secara otomatis berdasarkan citra masukan, 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 memisahkan objek dengan latar belakangnya.

22

2.8.3. Normalisasi Intensitas Normalisasi atau pengaturan kontras dan intensitas cahaya dilakukan dengan mengurangi perbedaan kekuatan penerangan dan dampak dari derau pada sensor. Proses normalisasi intensitas dilakukan terhadap setiap piksel pada citra asli sehingga pengaruh dari proses ini dapat dilihat dari histogramnya. Histogram akan menunjukkan bahwa proses normalisasi sebenarnya hanya menggeser histogram citra asli yang memiliki sebaran intensitas yang berbeda-beda menjadi histogram yang memiliki sebaran sama (seragam). Bila hasil normalisasi terlalu gelap, maka histogram akan bergeser ke kiri, dan bila terlalu cerah maka histogram akan bergeser ke kanan.

2.8.4. Morphologi Morphologi dapat dikatakan sebagai bentuk atau struktur. Dalam pengolahan citra digital morphologi digunakan untuk mengidentifikasi dan mengekstraksi keterangan citra yang bermakna berdasarkan properti bentuk (shape) citra. Operasi morphologi secara umum digunakan untuk mengolah citra biner yang memiliki dua kemungkinan yaitu 1 untuk foreground pixel dan 0 untuk background pixel. Suatu objek dalam citra biner memiliki kelompok pixel yang berhubungan atau bertetanggaan (connected pixels), ada dua definisi dari pixel yang berhubungan yaitu : 4-connected dan 8-connected seperti pada gambar berikut :

23

Sumber: Solomon, C dan Breckon T. 2011.

Gambar 2.5. Kelompok pixel yang berhubungan 4-connected dan 8-connected Dalam operasi morphologi digunakan dua input himpunan yaitu citra biner dan structuring elements (SE) yang sering disebut dengan kernel. SE merupakan suatu matrik yang mempunyai centre pixel dan yang umumnya berukuran kecil. Gambar berikut adalah contoh SE yang dapat digunakan dalam operasi morphologi.

Sumber: Solomon, C dan Breckon T. 2011.

Gambar 2.6. Contoh structuring elements (SE)

Pada operasi morphologi terdapat dua operasi dasar yaitu dilasi dan erosi. Kedua operasi dasar tersebut dapat digunakan untuk berbagai operasi morphologi seperti opening, closing, hit and miss transform, thinning dan thickening. Operasi

24

opening digunakan untuk menghilangkan objek-objek kecil yang terdapat dalam citra. Secara matematis proses opening dalam dinyatakan sebagai berikut : O A, B = AoB = D E A, B , B ……………………………. (2.3)

2.8.5. Connected Component Labeling Suatu pixel atau kumpulan pixel yang berhubungan dengan pixel yang lain disebut dengan komponen terhubung (connected component), untuk membedakan kelompok pixel yang terhubung dilakukan pemberian label secara unik. Proses ekstraksi komponen terhubung menghasilkan objek baru dimana kelompok pixel tersebut terhubung dengan diberikan nilai integer secara berurutan, misalnya latar belakang memiliki nilai 0, pixel objek pertama diberikan nilai 1,pixel objek berikutnya diberikan nilai 2 dan seterusnya. Suatu komponen terhubung bisa 4connected atau 8-connected. Berikut adalah langkah-langkah dalam melakukan penandaan komponen terhubung dengan menggunakan aturan 4-connected. Proses scanning citra dilakukan sepanjang baris sampai menemukan pixel p(nilai p berada dalam himpunan V). bilai p sudah ditemukan makan dilanjutkan dengan scanning pixel tetangga dari p, yaitu pixel di atas dan di kiri p, kemudian dilakukan scanning berikut : -

Bila kedua pixel tetangga bernilai 0 maka berilah tanda (label) baru pada p

-

Jika hanya satu saja dari pixel tetangga tersebut bernilai 1 maka berilah tanda dari pixel tetangga tersebut pada p.

-

Bila kedua pixel tetangga bernilai 1 dan memiliki tanda sama maka berilah tanda dari pixel tetangga tersebut pada p.

25

-

Bila kedua pixel tetangga bernilai 1 dan memiliki tanda berbeda maka berilah tanda dari salah satu pixel tetangga tersebut pada p dan buat catatan bahwa kedua tanda yang berbeda tersebut ekuivalen. Proses terakhir dilakukan pengurutan pasangan-pasangan tanda yang

ekuivalen ke dalam kelas-kelas ekuivalen selanjutnya diberikan tanda berbeda pada setiap kelas ekuivalen. Penandaan komponen terhubung dengan 8 connected -

Dilakukan proses scanning citra dengan bergerak secara berurutan sepanjang baris paling atas menuju ke bawah.

-

Ketika proses scanning sampai pada pixel objek p, dilakukan pemeriksaan 4 ketetanggaan yang telah ditemui selama scanning sehingga proses penandaan (labeling) terjadi keempat pixel ketetanggaan mempunyai nilai 0 maka diberi tanda baru pada pixel p, jika hanya salah satu pixel tetangga yang mempunyai nilai 1, maka tanda tersebut diberikan pada p. jika dua atau lebih pixel tetangga mempunyai nilai 1 maka salah satu tanda dari pixel tetangga diberikan pada p, kemudian dicatat bahwa semua tanda dari pixel tetangga yang bernilai 1 tersebut ekuivalen.

2.8.6. Run Length Encoding (RLE) RLE merupakan teknik kompresi yang sering digunakan pada citra dengan format bitmat termasuk TIFF, BMP dan PCX (Khan, A. 2010). Teknik RLE digunakan luas pada teknologi facsimile yang menggunakan metode Huffman. Teori dasar yang digunakan pada metode RLE adalah dari pada mengirim setiap nilai 1 dan 0, lebih baik mengirim dalam bentuk hitungan yang berurutan dari

26

nilai 1 kemudian diikuti oleh nilai 0. Contoh RLE dapat dilihat pada gambar berikut :

Sumber : Tomkins, D. A. D. 2000

Gambar 2.7. Contoh RLE sederhana

2.8.7. Bounding Box Bounding box merupakan kotak persegi panjang pembatas objek dalam citra. Area minimum dari bounding box didapat dari rumus berikut : Area = majorAxisLength ∗ minorAxisLength ……………………………. (2.4)

Sumber : Huque, A.E. 2006.

Gambar 2.8. Major dan minor axis

Contoh minimum area bounding box seperti gambar berikut :

27

Sumber : Huque, A.E. 2006.

Gambar 2.9. bounding box

2.8.8. Transformasi Geometri (Cropping) Salah satu jenis transformasi geometri atau perubahan bentuk adalah proses pemotongan citra (cropping) yang bertujuan untuk mengambil elemen citra yang diinginkan pada citra digital. Berikut contoh pemotongan citra sebesar W x H.

Sumber : Sutoyo, T., dkk. 2009.

Gambar 2.10. Contoh cropping citra

Titik (x1,y1) dan (x2,y2) adalah koordinat titik pojok kiri atas dan pojok kanan bawah citra yang akan di-crop. Adapun rumus yang digunakan adalah : &=

'

−

)

dan H =

'

−

)

……………………………. (2.5)

28

Sumber : Sutoyo, T., dkk. 2009.

Gambar 2.11. Contoh citra di-crop sebesar W x H

2.9. Luas Area Objek dengan Metode Momen (Moments) Momen dapat menggambarkan suatu objek dalam hal area, posisi, dan orientasi. Persamaan dasar dari momen suatu objek dapat didefinisikan sebagai berikut : *+, = - - x . y 2 a0/ ……………………………. (2.6) 0

/

Dengan ordo dari momen adalah (i+j). x dan y menyatakan koordinat pixel, sedangkan axy menyatakan intensitas pixel. Momen tingkat ke-0 dan ke-1 (zero and first order moments) didefinisikan sebagai berikut :

*33 = - - axy ……………………………. (2.7) x

y

*)3 = - - x. axy ……………………………. (2.8) x

y

29

*3) = - - y. axy ……………………………. (2.9) x

y

Pada citra biner yang mana axy akan bernilai 0 atau 1, momen tingkat ke-0 (m00) adalah sama dengan area dari objek.

2.10. Color Moments Color moments merupakan representasi yang padat dari fitur warna dalam mengkarakterisasikan warna citra. Sebagian informasi distibusi warna disusun dalam 3 urutan moment. Moment yang pertama (µ) mewakili rata-rata warna, moment yang kedua (σ) menggambarkan standar deviasi, dan moment berikutnya (θ) menggambarkan kecondongan dari warna (Martinez dan Martinez,2002). 1.

Mean : 567

<

;

1 6 - - :+, ……………………………. (2.10) 89 +7) ,7)

Dimana : 5

=Momen

c

= Komponen warna

6 :+,

= Nilai pixel (i,j) pada komponen warna c

M

= Tinggi citra

N

= Lebar citra

30

2.

Standar Deviasi <

;

)/'

1 6 =6 = > - - :+, − 56 ' ? 89 +7) ,7)

……………………………. (2.11)

Dimana : =

= Standar Deviasi

c

= Komponen warna

6 :+,

= Nilai pixel (i,j) pada komponen warna c

M

= Tinggi citra

N

= Lebar citra

56 3.

= Nilai mean pada komponen warna c

Skewness <

;

)/B

1 6 A6 = > - - :+, − 56 B ? 89 +7) ,7)

Dimana : A

= Standar Deviasi

c

= Komponen warna

6 :+,

= Nilai pixel (i,j) pada komponen warna c

M

= Tinggi citra

N

= Lebar citra

56

= Nilai mean pada komponen warna c

……………………………. (2.12)

31

2.11. Co-Occurrence Matriks

co-occurrence

adalah

matriks

yang

dibangun

dengan

menggunakan histogram tingkat kedua. Matriks ini berukuran L x L, dimana L menyatakan banyaknya tingkat keabuan, dengan elemen P(x1, x2) yang merupakan distribusi probabilitas bersama dari pasangan titik-titik dengan tingkat keabuan x1 yang berlokasi pada koordinat (j,k) dan x2 yang berlokasi pada koordinat (m,n). Koordinat pasangan titik-titik tersebut berjarak r dengan sudut θ.

2.11.1. Gray-Level Co-occurence Matrix (GLCM) Pada analisis tekstur secara statistik, fitur tekstur dihitung berdasarkan distribusi kombinasi intensitas pixel pada posisi tertentu, masing-masing kombinasi dibedakan melalui statistik orde-pertama, orde-kedua dan statistik orde-lebih tinggi. GLCM merupakan salah satu cara mengekstrak fitur tekstur statistik orde-kedua (Hall-Beyer, M. 2007). Sebagai contoh sebuah citra 5 x 5 yang mempunyai 4 tingkat keabuan dengan jarak d=1 dan arah 0o seperti pada Gambar 2.12 dan Gambar 2.13.

32

Gambar 2.12. Citra 5 x 5 dengan gray level 0, 1, 2, 3

Sumber : Wibawanto, 2008.

Gambar 2.13. Arah 0o, 45o, 90o, 135o

2.12. Jaringan Saraf Tiruan Backpropagation Jaringan Saraf Tiruan Backpropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988 (Subiyanto, 2000). Metode Backpropagation atau propagasi balik merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks seperti kompresi data, pendeteksian virus komputer, penidentifikasian objek, sistesis suara dari teks dan lain-lain (Puspitaningrum, 2006).

33

Inti dari algoritma pembelajaran dengan metode Backpropagation ini terletak pada kemampuannya untuk mengubah nilai-nilai bobotnya untuk menanggapi adanya kesalahan. Untuk dapat menghitung kesalahan, pada proses pembelajaran perlu adanya pola-pola keluaran yang dijadikan target oleh jaringan, sehingga setiap keluaran yang dihasilkan oleh jaringan akan dibandingkan dengan targetnya. Hasil dari perbandingan ini berupa error atau kesalahan. Oleh karena itu, Jaringan Saraf Tiruan Backpropagation merupakan jaringan dengan proses pembelajaran secara terbimbing. Setelah kesalahan diperoleh, selanjutnya jaringan melewatkan turunanturunan dari kesalahan ke lapisan tersembunyi menggunakan sambungan terbobot yang masih belum diubah nilainya. Setiap simpul pada lapisan tersembunyi menghitung jumlah terbobot dari kesalahan yang telah dipropagasikan balik untuk menghitung sumbangan tidak langsungnya kepada kesalahan keluaran yang telah diketahui. Setelah masing-masing simpul pada lapisan tersembunyi dan lapisan keluaran menemukan besarnya kesalahan, simpul-simpul tersebut akan mengubah bobot-bobotnya untuk mengurangi kesalahan tersebut. Perubahan bobot ditujukan untuk meminimalkan jumlah kesalahan kuadrat jaringan. Oleh sebab inilah, algoritma Backpropagation dikatakan sebagai suatu prosedur untuk mendapatkan paket bobot yang meminimalkan jumlah kuadrat kesalahan. Jumlah kuadrat kesalahan akan semakin mengecil dengan berjalannya waktu dan iterasi yang dilakukan oleh jaringan tersebut. Fungsi aktivasi merupakan fungsi matematis yang berguna untuk membatasi dan menentukan jangkauan output suatu neuron. Fungsi aktivasi untuk Jaringan Saraf Tiruan Backpropagation harus memiliki beberapa karakteristik

34

penting, yaitu kontinyu, dapat dideferensialkan, dan monoton tanpa penurun. Fungsi aktivasi biasanya digunakan untuk mencari nilai asimtot maksimum dan minimum. Fungsi aktivasi yang biasa digunakan untuk jaringan Backpropagation adalah fungsi sigmoid biner dan fungsi sigmoid bipolar. Di mana fungsi sigmoid biner memiliki jangkauan antara 0 dan 1, sedangkan fungsi sigmoid bipolar memiliki jangkauan antara -1 dan 1. Metode pembelajaran Backpropagation menggunakan indek performansi kesalahan kuadrat rata-rata atau Mean Square Error (Hagan, 1996). Kesalahan kuadrat rata-rata dapat diperoleh dari (Fausett, 1994) : a. Kesalahan kuadrat dibagi dengan jumlah komponen keluaran. b. Kesalahan kuadrat total dibagi dengan jumlah data pelatihan.

Y1

1

...

Z1

...

Yk

Zj

Ym

Zp

ij

1

X1

...

Xi

np

...

Xn

Sumber : Fausett, L. 1994.

Gambar 2.14. Saraf Tiruan Backpropagation Dengan 1 Lapisan Tersembunyi

35

Pada jaringan Backpropagation, terdapat beberapa alternatif untuk melakukan pembaharuan bobot, di antaranya adalah pembaharuan bobot standar, pembaharuan bobot dengan momentum, dan pembaharuan bobot dengan deltabar-delta. Pada pembaharuan bobot dengan momentum, perubahan bobot berada pada kombinasi gradien sekarang dan gradien sebelumnya. Dalam hal ini, digunakan laju pembelajaran

yang kecil

untuk menghindari

gangguan

pembelajaran ketika sepasang pola pembelajaran yang tidak biasa diberikan. Dalam proses pembelajaran, kekonvergenan akan lebih cepat dicapai jika momentum ditambahkan pada rumus pembaharuan bobot. Untuk menggunakan momentum, bobot (pembaharuan bobot) dari satu atau lebih pola pembelajaran sebelumnya harus disimpan. Sebagai contoh, bentuk paling sederhana dari Backpropagation dengan momentum, bobot baru untuk langkah pembelajaran (t + 1) berdasarkan bobot pada langkah pembelajaran (t) dan (t – 1). Perumusan matematis untuk Backpropagation dengan momentum adalah : C,D E + 1 = C,D E + GHD I, + µ[ w jk (t ) − w jk (t − 1) ] ……………………………. (2.13)

Atau (2.14) ∆w jk (t + 1) = αδ k z j + µ∆w jk (t ) ……………………………. Dan vij (t + 1) = vij (t ) + αδ j xi + µ[vij (t ) − vij (t − 1)] ……………………………. (2.15) Atau ∆vij (t + 1) = αδ j zi + µ∆vij (t ) ……………………………. (2.16) di mana parameter momentum µ dibatasi pada jangkauan 0 sampai 1.

BAB III BAB III METODE PENELITIAN METODE PENELITIAN 3.1.

Tempat dan Waktu Penelitian Penelitian dilakukan di Greenhouse Fakultas Teknologi Pertanian

Universitas Udayana Kampus Bukit Jimbaran. Waktu penelitian dimulai bulan Agustus 2012 sampai dengan bulan November 2012.

3.2.

Bahan dan Alat penelitian

3.2.1. Bahan Bahan yang digunakan adalah tanaman sawi hijau dari media hidroponik yang ditanam dengan media pasir, dipelihara dalam greenhouse yang dibuat dengan bahan plastik UV. Jumlah tanaman sawi yang digunakan dalam penelitian sebanyak 240 tanaman.

3.2.2. Alat penelitian Perangkat yang digunakan adalah 1. Kamera digital Charge Coupled Device (CCD) 2. Kotak akuisisi citra 3. 1 buah lampu TL cool daylight 5 watt 6500 K . 4. 1 unit computer 5. Perangkat lunak Matlab R2009b yang beroperasi pada Microsoft Windows XP.

36

37

3.3.

Prosedur penelitian

Penelitian ini dilakukan melalui tahapan-tahapan sebagai berikut : 3.3.1. Persiapan 3.3.1.1 Penanaman Sawi Penelitian ini dimulai dengan menanam sawi secara hidroponik menggunakan media tanam pasir, tanaman sawi dibagi menjadi beberapa perlakukan pemberian pupuk tunggal ZA sebagai sumber Nitrogen,TSP sebagai sumber Fosfor dan KCL sebagai sumber Kalium, seperti pada tabel berikut :

Tabel 3.1. Perlakuan pemberian pupuk N, P, dan K dalam Gram/tanaman.

No Perlakuan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Pemberian Pupuk ( Gram /tanaman) ZA Nitrogen 0 0 1 1 0 2 1 2 2 0 3 1 3 2 3 3

TSP Fosfor 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

KCL Kalium 0 1 0 1 2 0 2 1 2 3 0 3 1 3 2 3

38

Semua perlakuan pemberian pupuk tunggal ZA sebagai sumber Nitrogen, TSP sebagai sumber phosfor dan KCL sebagai sumber kalium, dicampur dengan pupuk Lauxin sebagai nutrisi mikro dilarutkan dalam 1 liter air.

3.3.1.2. Kotak Akuisisi dan Kamera Digital Kamera digital yang digunakan dalam penelitian ini adalah Canon Powershot A 1200 dengan 12 megapixels yang dipasang dalam kotak akuisisi dengan latar gelap, tanpa flash light, sebagai sumber cahaya digunakan lampu neon cool day light 6500 K. Berikut merupakan gambar desain kotak akuisisi citra daun sawi hijau.

sumber cahaya

kamera digital

latar gelap daun sawi hijau

Gambar 3.1. Kotak akuisisi citra daun sawi hijau

3.3.2. Gambaran Umum Sistem

Gambar 3.2. Gambaran Umum Sistem

40

3.3.3. Pengolahan Citra 3.3.3.1 Akuisisi citra Pengambilan citra dari daun sawi hijau dilakukan dengan menggunakan kamera digital CCD. Pengambilan citra daun sawi hijau dilakukan dari bagian atas agar keseluruhan daun dapat di-capture. Pengambilan foto dari tanaman sawi dilakukan setiap 5 hari pada jam 5 sore dimulai pada umur 10 hari setelah bibit dipindahkan dari tempat penyemaian sampai tanaman sawi siap dipanen (30 hari). Kamera digital CCD yang digunakan adalah Canon Digital Camera PowerShot A1200 dengan setting sebagai berikut : Format Citra : JPG ISO

: 400

Aperture

: F2.8

Shutter Speed : 1/10

3.3.3.2 Segmentasi dan Cropping Citra Tahapan ini dilakukan untuk menghasilkan citra biner yang diperoleh dari citra RGB dengan tujuan untuk memisahkan daun tanaman sawi dengan background yang terdiri dari tanah dan plastik polybag. Tahapan ini merupakan tahapan yang kritis dalam pengolahan citra karena diperlukan kualitas citra yang baik agar dapat dilakukan ekstraksi fitur dan prosedur klasifikasi. Beberapa penelitian sudah dilakukan untuk memperoleh region tanaman dari background dengan menggunakan berbagai color spaces. Normalized Excess Green dan Modified Hue (Woebbecke dkk. 1995) dikatakan sebagai metode unggul karena rendahnya sensitifitas terhadap kondisi pencahayaan dan background noise.

41

1.

Normalized Excess Green (NExG) Penurunan rumus indek NExG berasal dari RGB color space, namun

karena tidak dinormalisasikan menyebabkan koordinat RGB sensitif terhadap intensitas pencahayaan (Woebbecke dkk. 1995), cara yang lebih baik untuk menjabarkan NExG adalah menggunakan koordinat kromatik : NExG= 2 x g – r – b ........................................( 3..1)

Dimana r, g, dan b adalah : K= = O=

L ........................................( 3..2) L+M+N M ........................................( 3..3) L+M+N N ........................................( 3..4) L+M+N

Dimana R, G, dan B adalah channel merah, hijau dan biru intensitas pixel. Pada penelitian ini pemisahan tanaman dengan background menggunakan pengembangan algoritma yang dibuat oleh Meyer dengan metode ExG-ExR. Dimana ExG= 4 x g – r, dan ExR=r-g. Adapun perintah yang digunakan pada Matlab adalah : Red=citra_rgb(:,:,1); Green = citra_rgb(:,:,2); Blue = citra_rgb(:,:,3); ExG= 4*Green-Red; ExR=Red-Green;

42

metode Threshold OTSU menggunakan persamaan berikut :

η (k ) = σ B2 (k ) / σ T2 ........................................( 3..5) Dimana :

σ B2 (k ) =

[ µT ω (k ) − µ (k )]2 ........................................( 3..6) ω (k )[1 − ω (k )]

L

σ T2 = ∑ (i − µT ) 2 Pi ........................................( 3..7) i =1

L

µT = µ ( L) = ∑ iPi ........................................( 3..8) i =1

k

µ (k ) = ∑ iPi ........................................( 3..9) i =1

k

ω (k ) = ∑ Pi ..................................... ( 3.10) i =1

Pi = ni / N, Pi ≥ 0,

L

∑

Pi = 1 ................................ ......(3. 11)

i =1

Pixel pada citra direpresentasikan ke dalam derajat keabuan L [1, 2, …, L]. Jumlah Pixel dengan derajat keabuan i dinotasikan dengan ni dan jumlah keseluruhan pixel dengan N = n1 + n2 + … + ni. Pi adalah representasi histogram, k adalah nilai threshold. Perintah thresholding Otsu di Matlab adalah : level=graythresh(citra_warna);

43

bw=im2bw(citra_warna,level);

2.

Morphology Opening Algoritma morfologi opening pada penelitian ini digunakan untuk

menghapus objek selain objek daun sawi hijau. Objek selain daun sawi hijau tersebut muncul saat akuisisi citra, karena pengaruh warna daun dan luas area daun sawi hijau. Penghapusan objek dilakukan berdasarkan ukuran pixel objek selain objek daun sawi hijau, untuk penentuan ukuran pixel yang akan dihapus dilakukan dengan mencoba coba. Pada Matlab perintah yang digunakan untuk melakukan operasi morfologi opening pada citra biner adalah bwareaopen. BW2 = bwareaopen(BW, P) BW2 = bwareaopen(BW, P, conn) Dimana : BW = citra biner conn = connectivity P = ukuran pixel

3.

Connected Component Labeling RLE Proses labeling objek pada citra daun sawi hijau dilakukan untuk

mempermudah proses pemotongan citra, pemotongan citra dilakukan karena citra hasil akuisisi khususnya saat tanaman sawi berumur 10 hari memiliki latar belakang yang luas, sedangkan objek yang diperlukan hanya citra daun sawi hijau

44

saja. Pada Matlab fungsi yang digunakan untuk melakukan penandaan atau labeling adalah bwlabel. Adapun syntax bwlabel sebagai berikut : L = bwlabel(BW, n) [L, num] = bwlabel(BW, n) Dimana : L = matrik hasil penandaan n = 4-connected atau 8-connected num = jumlah objek yang terhubung dalam citra biner. BW = citra sawi hijau dalam biner

4.

Bounding box Setelah dilakukan penandaan objek pada citra kemudian dilakukan

pemilihan objek daun sawi hijau dan di-crop pada bagian daun saja. Pada matlab fungsi yang digunakan untuk melakukan pemotongan adalah regionprops dengan syntax sebagai berikut: CitraCrop = regionprops(L,properties) Dimana : L = region citra yang ditandai Properties yang digunakan adalah ‘BoundingBox’

45

5.

Transformasi Geometri (Cropping) Proses pemotongan citra (cropping) dilakukan setelah proses penandaan

objek (labeling) untuk memilih elemen citra yang diinginkan untuk digunakan pada proses ekstraksi fitur warna dan tekstur. Pada Matlab fungsi yang digunakan adalah imcrop dengan syntax sebagai berikut : CitraHasilCrop = imcrop(I, rect) Dimana : I = citra yang akan di-crop rect = 4 elemen posisi vector [xmin ymin lebar tinggi]

3.3.3.3 Perhitungan Area objek citra Perhitungan area citra daun tanaman sawi hijau menggunakan metode momen yang dinyatakan sebagai berikut (Putra, 2010) : *33 = - - axy ............................................ (3.12) x

y

Sebelum pengukuran area objek citra daun tanaman sawi, dilakukan konversi citra warna menjadi citra biner agar dapat dibedakan objek daun tanaman sawi dengan background citra. Objek berwarna putih dan background berwarna hitam. Area objek citra daun dihitung dengan cara menghitung jumlah pixel yang berwarna putih

46

3.3.3.4 Ekstraksi Fitur Warna 1.

Color Moments Metode Color Moments handal terhadap perubahan ukuran(skala) karena

metode ini berdasarkan pada fitur dominan dari distribusi probabilitas warna. Color moments merupakan parameter yang tepat digunakan untuk menghasilkan feature vector yang dapat digunakan untuk kebutuhan klasifikasi dan efektif untuk analisis citra berbasis warna. Adapun nilai output dari color moments adalah mean,

standard

deviation

dan

skewness.

Ketiga

nilai

tersebut

dapat

merepresentasikan distribusi warna citra digital. Setiap citra sayur sawi dipisahkan menjadi komponen warna hue, saturation, dan value. Masing-masing komponen warna dihitung nilai Mean, standard deviation dan skewness-nya. Satu citra tanaman sawi ditandai dengan 3 moments untuk setiap 3 channel warna. Dilakukan perhitungan mean dari masing-masing komponen warna HSV tanaman sawi, yaitu mean komponen warna H, S dan komponen V. 5P,Q,R7

<

;

1 6 - - :+, ............................................ (3.13) 89 +7) ,7)

Standar Deviasi dari komponen warna H, S dan V. =P,Q,R = >

<

;

)/'

1 6 - - :+, − 56 ' ? 89 +7) ,7)

............................................ (3.14)

Skewness dari komponen warna H, S dan V. AP,Q,R = >

<

;

)/B

1 6 - - :+, − 56 B ? 89 +7) ,7)

............................................ (3.15)

47

3.3.3.5 Ekstraksi fitur tekstur Pada penelitian ini ekstraksi fitur tekstur yang dilakukan pada citra tanaman sawi untuk trainning dan testing menggunakan metode GLCM (Gray Level Cooccurrence Matrix). Ekstraksi fitur tekstur diambil dari empat arah (0o, 45o, 90o, dan135o) dengan jarak 1 pixel. Fitur tekstur yang diekstrak adalah energy, kontras, homogenitas, korelasi serta entropi. STEKU: = − - - VW , X] log VW , X] ............................................ (3.16) +

,

= - - V' W , X] ............................................ (3.17)

STZK

+

,

[UTEK\]E = - - − X ' VW , X] ............................................ (3.18) +

,

^U*U ZTZ E = - +

[UKKZ_\E UT =

3.3.4

,

VW , X] 1 + W − X] ............................................ (3.19)

∑b+7) ∑b,7) X Ma[8 , X − 5+ 5, …………………….(3.20) =+ =,

Penyusunan model jaringan syaraf tiruan Data hasil pengolahan citra digital digunakan sebagai input pada jaringan

syaraf tiruan, adapun data input yang akan digunakan sebagai input adalah : 1. Mean 2. Standard Deviation 3. Skewness

48

4. Entropy 5. Energy 6. Contrast 7. Homogeneity 8. Correlation 9. Area

1.

Normalisasi Data Metode normalisasi data yang digunakan pada penelitian ini adalah

metode standar distribusi normal (Standard Normal Distribution) agar data(fitur) memiliki nilai rata-rata 0 (zero mean) dan standar deviasi 1. Adapun rumusnya adalah : 9 _\ O\Kc =

2.

W9 _\ _\*\ K\E\ − K\E\ ] dE\Te\K eZf \]

…………....................(3. 21)

Jaringan Saraf Tiruan Backpropagation Jaringan saraf tiruan yang digunakan pada penelitian ini adalah metode

Backpropagation. Untuk identifikasi Nitrogen dan Kalium digunakan sembilan data yang merupakan hasil ektraksi fitur Color Moments warna HSV yaitu : Mean H, Mean S, Mean V, Standar deviasi H, Standar deviasi S, Standar deviasi V, Skewness H, Skewness S dan Skewness V ditambah dengan dua puluh data hasil ekstraksi fitur tesktur GLCM yaitu : Entropy 0, Entropy 45, Entropy 90, Entropy 135, Energy 0, Energy 45, Energy 90, Energy 135, Contrast 0, Contrast 45, Contrast 90, Contrast 135, Homogeneity 0, Homogeneity 45, Homogeneity 90, Homogeneity 135. Correlation 0, Correlation 45, Correlation 90,dan Correlation

49

135. Untuk identifikasi umur tanaman digunakan satu model jaringan saraf tiruan Backpropagation dengan tiga puluh data input yaitu : Mean H, Mean S, Mean V, Standar deviasi H, Standar deviasi S, Standar deviasi V, Skewness H, Skewness S dan Skewness V, Entropy 0, Entropy 45, Entropy 90, Entropy 135, Energy 0, Energy 45, Energy 90, Energy 135, Contrast 0, Contrast 45, Contrast 90, Contrast 135, Homogeneity 0, Homogeneity 45, Homogeneity 90, Homogeneity 135. Correlation 0, Correlation 45, Correlation 90, Correlation 135 dan luas area daun. Adapun target output identifikasi Nitrogen dan Kalium yang dibandingkan dengan nilai output dari Backpropagation dapat dilihat pada Tabel 3.2 dan target output identifikasi umur tanaman dapat dilihat pada Tabel 3.3. Tabel 3.2. Target Output Identifikasi Nitrogen Pemberian Pupuk ZA sebagai sumber Nitrogen (Gram/Liter) Pupuk ZA = 0 Pupuk ZA antara 1-2 Pupuk ZA > 2

Target 0 1 2

Tabel 3. 3. Target output identifikasi umur tanaman sawi hijau Pemberian Pupuk KCL sebagai sumber Kalium (Gram/Liter) KCL = 0 KCL antara 1-2 KCL > 2

Target 0 1 2

Tabel 3.4. Target Output Identifikasi umur Umur Maksimum umur 10 HST Umur antara 11 - 20 HST Umur antara 21 – 30 HST

Target 0 1 2

50

3.

Pelatihan Jumlah lapisan tersembunyi (hidden layer) belum ada aturan baku dalam

penentuannya. Menurut Tai-shan (2005) jumlah lapisan tersembunyi pada jaringan saraf tiruan mempunyai hubungan langsung dengan lapisan output, input dan pelatihan, sehingga digunakan persamaan berikut : 9P = g9+

9h + 9i /2 ............................................ (3.22)

Dimana : NH = jumlah lapisan optimal Ni = lapisan input No = lapisan output Np = training sampel Dari persamaan diatas jika menggunakan jumlah sample pelatihan sebanyak 158 sampel maka jumlah lapisan yang diperoleh adalah sebanyak 9P = √9 x 1 + 158/2 = ± 82

51

Berikut gambar arsitektur jaringan saraf Backpropagation Model 1 dengan 1 hidden layer dan model 2 dengan 2 hidden layer:

Gambar 3.3. Model 1 dengan 1 hidden layer untuk identifikasi N dan K

52

Gambar 3.4. Model 2 dengan 2 hidden layer untuk identifikasi N dan K

53

Untuk mengetahui umur tanaman sawi hijau digunakan gabungan dari fitur Color Moments HSV, GLCM sudut 0o,45o ,90o , 135o dan luas area daun tanaman. Berikut gambar arsitektur jaringan saraf tiruan Backpropagation untuk mengetahui umur tanaman sawi hijau. Z1

Mean H,S,V

X1-X3 Z2

Standar Deviasi H,S,V

X4-X6 Z3

Skewness H,S,V

X7-X9 Z4

Entropy 0,45,90,135

X10X13

out Z5

Energy 0,45,90,135

X14X17 Z6

Contrast 0,45,90,135

X18X21 Z7

Homogeneity 0,45,90,135

Correlation 0,45,90,135

X22X25

X26X29

Zn

Luas area X30

Gambar 3.5. Kombinasi 1 Hidden Layer untuk identifikasi umur

54

Gambar 3.6. Kombinasi 2 Hidden Layer untuk identifikasi umur tanaman

55

4.

Validasi Model Dalam jaringan saraf tiruan, kinerja jaringan dapat dinilai berdasarkan niai

MSE (Mean Square Error) pada proses generalisasi terhadap contoh data input output baru. Untuk mendapatkan nilai MSE dihitung dengan persamaan berikut : :−\ 8dS = T o

'

............................................ (3.23)

Dimana p = nilai prediksi jaringan saraf tiruan a = nilai aktual yang diberikan n = jumlah sample pada data validasi

3.3.5. Nama File Citra daun sawi hijau Penamaan file citra yang dihasilkan kamera digital Canon PowerShot A1200 secara otomatis diawali dengan ”IMG” kemudian dilanjutkan dengan urutan nomor file seperti misalnya ”0000” diakhiri dengan ekstensi file JPG. Setelah file citra hasil akuisisi dipindahkan dalam folder kemudian dilakukan proses pergantian nama file dengan menggunakan aplikasi Renamer yang dibuat dengan Matlab untuk menghasilkan penamaan file dengan format penamaan file sebagai berikut : “NoFileCitra_KandunganNitrogenPKandunganKalium_UmurTanaman.JPG”. Contoh : 1_0P0_15.JPG

56

3.3.6. Validasi Hasil Pengujian Persentase akurasi dapat dirumuskan sebagai berikut : pqcK\] % = suv x 100% ............................................ (3. 24) t

Dimana : A = jumlah data hasil pendugaan yang sama dengan target B = jumlah data target Hasil identifikasi Nitrogen, Kalium dan umur tanaman yang dihasilkan perangkat lunak akan dibulatkan, jika output pengujian menghasilkan nilai > 0,5 maka akan dibulatkan menjadi 1, sedangkan jika output pengujian menghasilkan nilai < 0,5 akan dibulatkan menjadi 0. Proses pencocokan benar atau salahnya identifikasi Nitrogen, Kalium dan umur tanaman yang dihasilkan oleh perangkat lunak dilakukan secara manual dengan membandingkan caption dari nama file citra daun yang diuji dengan ouput yang dihasilkan oleh perangkat lunak tersebut. Misalnya file citra daun dengan nama file 1_0P0_15_cro1.jpg yang digunakan sebagai data uji untuk identifikasi kandungan Nitrogen, output perangkat lunak menghasilkan identifikasi bahwa citra tersebut mempunyai kandungan pupuk ZA 0 Gram/Liter, kemudian dibandingkan dengan caption file citra “1_0P0_15_cro1.jpg”, karena pada karakter ketiga nama file citra adalah “0” berarti hasil uji perangkat lunak benar.

57

3.3.7. Pengujian Laboratorium Uji laboratorium yang dilakukan adalah uji klorofil sebagai indikator nutrisi, menurut Jones dkk (1991 dalam Apriawan, 2011) semakin tinggi Nitrogen maka semakin tinggi kadar klorofil daun. Hasil uji klorofil yang diperoleh dari laboratorium akan dijadikan pembanding hasil uji dengan menggunakan jaringan saraf tiruan backpropagation.

BAB IV

BAB IVPEMBAHASAN HASIL DAN

HASIL DAN PEMBAHASAN

Dalam bab ini dibahas mengenai perangkat lunak (Software) yang telah dibuat dan hasil uji coba dari perangkat lunak tersebut untuk mengidentifikasi kandungan Nitrogen, Kalium dan umur tanaman sawi hijau.

4.1.

Hasil Eksekusi Program Berikut adalah tampilan GUI perangkat lunak identifikasi kandungan

Nitrogen dan Kalium daun tanaman sawi hijau

Gambar 4.1. Tampilan awal program saat dijalankan

58

59

4.1.1. Image Resize, Segmentasi dan Cropping Proses akuisisi citra dilakukan dengan menggunakan kamera digital 12 Mega Pixels. Citra yang diperoleh dari proses Akuisisi citra adalah citra dengan ukuran 4000 x 3000 pixels, untuk mempercepat proses komputasi dilakukan pengecilan ukuran citra menjadi 800 x 600 pixels. Berikut merupakan contoh hasil akuisisi citra.

Gambar 4.2. Citra daun tanaman sawi hijau hasil akuisisi Proses segmentasi dan cropping dilakukan untuk mendapatkan bagian daun tanaman sawi dan mempersempit background hitam. Adapun tahapan proses segmentasi citra daun sawi hijau dimulai dengan pemisahan red channel, green channel dan blue channel dari citra RGB channel dengan syntax sebagai berikut : R = citraRGB(:,:,1); G = citraRGB(:,:,2); B = citraRGB(:,:,3);

60

Berikut contoh hasil pemisahan red channel, green channel dan blue channel citra RGB.

(a)

(b)

(c)

Gambar 4.3. (a) red channel, (b) green channel, (c) blue channel Setelah pemisahan red channel, green channel dan blue channel citra RGB channel dilakukan pengolahan dengan metode ExG= 4 x g – r, ExR=r-g dan ExGExR, sehingga dihasilkan citra seperti contoh gambar berikut:

Gambar 4.4. Citra hasil ExG-ExR

Hasil ExG-ExR diproses dengan Thresholding Otsu sehingga diperoleh citra biner seperti contoh gambar berikut :

61

Gambar 4.5. Citra biner hasil Thresholding Otsu Pada Gambar 4.5 dapat dilihat bahwa selain objek daun sawi hijau juga terdapat banyak titik-titik putih yang harus dihilangkan, maka dilakukan operasi morphologi Opening untuk menghilangkan objek dengan ukuran dibawah 150 pixel dan labeling sehingga diperoleh citra seperti contoh berikut :

Gambar 4.6. Citra Biner hasil Opening dan Labeling

62

Gambar 4.7. Hasil segmentasi citra daun sawi hijau Setelah proses segmentasi kemudian dilakukan proses cropping dengan metode Region descriptor bounding box. Fungsi pada Matlab yang digunakan adalah regionprops dan imcrop sehingga dihasilkan seperti gambar dibawah ini.

Gambar 4.8. Citra hasil Cropping Pada perangkat lunak yang dibuat ini, proses cropping otomatis untuk banyak file citra sekaligus dapat dilakukan dengan meng-klik menu CROP OTOMATIS, sehingga muncul option untuk memilih folder seperti tampilan gambar berikut.

63

Gambar 4.9. Tampilan menu untuk Cropping Otomatis

Gambar 4.10. Tampilan Pemilihan Folder Citra yang akan di Crop

Proses Cropping dengan perangkat lunak ini dapat juga dilakukan secara manual dengan meng-klik menu CROP MANUAL sehingga muncul option cropping interaktif seperti pada gambar berikut :

64

Gambar 4.11. Tampilan Program untuk Cropping manual

4.1.2. Ekstraksi fitur warna dengan Color Moments HSV Citra daun tanaman sawi hijau yang telah di-cropping kemudian dilakukan konversi warna dari warna RGB menjadi warna HSV dengan menggunakan fungsi rgb2hsv pada Matlab, sehingga dihasilkan gambar sebagai berikut.

Gambar 4.12. Konversi Citra RGB menjadi HSV

Selanjutnya dilakukan ekstraksi fitur warna dari citra HSV daun sawi hijau tersebut dengan menggunakan metode Color Moments, sehingga didapatkan nilai Mean, Standar Deviasi dan Skewness. Hasil yang diperoleh dengan menggunakan program adalah seperti contoh berikut :

65

Gambar 4.13.Nilai Mean, Standar Deviasi dan Skewness HSV dan RGB

Berikut adalah coding perhitungan Color Moments HSV function [mH,mS,mV,stdH,stdS,stdV,skH,skS,skV]= fitur_CM_HSV(c) gambarHSV=rgb2hsv(c); h=gambarHSV(:,:,1); s=gambarHSV(:,:,2); v=gambarHSV(:,:,3); mH=mean2(h); mS=mean2(s); mV=mean2(v); stdH=std2(h); stdS=std2(s); stdV=std2(v); skH=skewness2(h); skS=skewness2(s); skV=skewness2(v);

4.1.3. Ekstraksi fitur tekstur dengan GLCM Setelah dilakukan ekstraksi fitur warna dengan metode Color Moment kemudian dilakukan ekstraksi fitur tekstur dari citra HSV yang sama dengan menggunakan metode GLCM (Gray Level Cooccurrence Matrix), fitur tekstur yang dihitung adalah Entropy, Energy, Contrast dan Homogeneity dan

66

Correlation dari 4 arah yaitu 0o, 45o, 90o, dan 135o dengan jarak 1 pixel. Hasil perhitungan fitur-fitur tersebut dengan menggunakan program menghasilkan nilai seperti contoh berikut :

Gambar 4.14. Nilai GLCM 0o , 45o ,90o, dan 135o. Berikut adalah coding untuk perhitungan Entropy, Energy, Contrast, Homogeneity dan Correlation .

67

function [entropi0,energi0,contras0,homo0,corr0]=hasil_glcm0(c) cropabu=rgb2gray(c); glcm0=graycomatrix(cropabu,'offset',[0 1],'NumLevels',32,'Symmetric',false); entropi0=entropy(glcm0); energi0 =graycoprops(glcm0,'energy'); contras0=graycoprops(glcm0,'contrast'); homo0=graycoprops(glcm0,'homogeneity'); corr0=graycoprops(glcm0,'correlation'); function [entropi45,energi45,contras45,homo45,corr45]=hasil_glcm45(c) cropabu=rgb2gray(c); glcm45=graycomatrix(cropabu,'offset',[-1 1],'NumLevels',32,'Symmetric',false); entropi45=entropy(glcm45); energi45 =graycoprops(glcm45,'energy'); contras45=graycoprops(glcm45,'contrast'); homo45=graycoprops(glcm45,'homogeneity'); corr45=graycoprops(glcm45,'correlation'); function [entropi90,energi90,contras90,homo90,corr90]=hasil_glcm90(c) cropabu=rgb2gray(c); glcm90=graycomatrix(cropabu,'offset',[-1 0],'NumLevels',32,'Symmetric',false); entropi90=entropy(glcm90); energi90 =graycoprops(glcm90,'energy'); contras90=graycoprops(glcm90,'contrast'); homo90=graycoprops(glcm90,'homogeneity'); corr90=graycoprops(glcm90,'correlation'); function [entropi135,energi135,contras135,homo135,corr135]=hasil_glcm135(c ) cropabu=rgb2gray(c); glcm135=graycomatrix(cropabu,'offset',[-1 1],'NumLevels',32,'Symmetric',false); entropi135=entropy(glcm135); energi135 =graycoprops(glcm135,'energy'); contras135=graycoprops(glcm135,'contrast'); homo135=graycoprops(glcm135,'homogeneity'); corr135=graycoprops(glcm135,'correlation');

68

4.1.4. Perhitungan Luas Area Daun Sawi Hijau dengan metode Moments Perhitungan luas area daun dilakukan dengan menggunakan metode Moments, dengan menghitung jumlah pixel yang berwarna putih pada citra daun yang dirubah menjadi citra biner. Pada Matlab digunakan fungsi bwarea sehingga menghasilkan nilai seperti contoh berikut :

Gambar 4.15. Citra biner daun sawi hijau.

Gambar 4.16. Nilai Area daun dengan metode Moments

69

4.1.5. Penyimpanan Data Menggunakan DBMS Mysql Setelah ekstraksi fitur warna dan tekstur diperoleh maka dilanjutkan dengan menyimpan data fitur ke dalam basis data, pada penelitian ini digunakan DBMS Mysql 5.5 seperti terlihat pada gambar berikut :

Gambar 4.17. 4. Basis Data hasil ekstraksi fitur Berikut adalah coding untuk menyimpan ke basis data Mysql. url='jdbc:mysql://localhost:3306/' 'jdbc:mysql://localhost:3306/'; koneksi=database('dbsawi1','root','','com.mysql.jdbc.Driver' koneksi=database( 'com.mysql.jdbc.Driver',url); fitur=[namafile,mr1,mg1,mb1,mh,ms,mv,str1,stg1,stb1,sth,sts,stv,sk r1,skg1,skb1,skh,sks,skv,entropi0,energi0_1,contras0_1,homo0_1,cor 0_1,entropi45,energi45_1,contras45_1,homo45_1,cor45_1,entropi90,en ergi90_1,contras90_1,homo90_1, ergi90_1,contras90_1,homo90_1,... cor90_1,entropi135,energi135_1,contras135_1,homo135_1,cor135_1,lua s1,vtarget];

namakolom={'nama' 'nama','meanR','meanG','meanB','meanH','meanS' 'meanS','meanV', 'stddevR','stddevG' 'stddevG','stddevB','stddevH','stddevS','stddevV' 'stddevV','skewn essR','skewnessG' 'skewnessG','skewnessB','skewnessH','skewnessS' 'skewnessS','skewnessV', 'entropi0','energi0' 'energi0','contrast0','homogeneity0',... ... 'correlation0', 'entropi45','energi45' 'energi45','contrast45','homogeneity45' 'homogeneity45','correlation45 ','entropi90','energi90' 'energi90','contrast90','homogeneity90' 'homogeneity90','correlation 90','entropi135' 'entropi135','energi135','contrast135','homogeneity135' 'homogeneity135','corre lation135','luas_area' 'luas_area','target'};

70

try insert(koneksi,'tbfitur',namakolom,fitur) insert(koneksi, msgbox('data 'data berhasil disimpan'); disimpan' catch msgbox('Periksa 'Periksa kembali, error !!!!!'); !!!!!' return end

Adapun struktur tabel yang dibuat pada Mysql adalah sebagai berikut :

Gambar 4.18. Struktur tbfitur Model 2 untuk Pelatihan Backpropagation

71

Gambar 4.19.. Struktur tb_hasil_uji_n1 Model 2 untuk Pengujian Jaringan Backpropagation

4.1.6. Data Citra Daun Tanaman Sawi Hijau Data citra hasil

akuisisi

yang digunakan

dalam

penelitian

ini

dikelompokan menjadi dua, yaitu data citra untuk identifikasi kandungan Nitrogen dan Kalium, serta data citra untuk identifikasi umur tanaman sawi hijau. Jumlah data citra yang digunakan untuk identifikasi kandungan Nitrogen dan Kalium sebanyak 250 citra daun, yang dibagi menjadi dua, yaitu data latih sebanyak 158 dataa citra dan data uji sebanyak 92 9 data citra. Jumlah data citra yang digunakan untuk identifikasi fikasi umur tanaman sebanyak 257 citra yang dibagi menjadi dua, yaitu 149 dataa citra untuk data latih dan 108 untuk data uji. Akuisisi citra untuk identifikasi Nitrogen dan Kalium dilakukan pada saat tanaman sawi hijau berumur 15 hari setelah tanam pada semua perlakuan pupuk, pupuk karena saat tanaman sawi hijau berumur 15 hari setelah tanam sudah mulai

72

memperlihatkan status nutrisinya melalui daun, jika kurang dari 15 hari tanaman sawi hijau belum menampakkan status nutrisinya, dan jika lebih dari 15 hari setelah tanam, nantinya akan sulit memperbaiki kondisi status nutrisi jika terjadi kekurangan Nitrogen atau Kalium maupun kelebihan Nitrogen dan Kalium pada tanaman. Berikut grafik Color Moment pada saat tanaman berumur 10 hari dan 15 hari. 1 meanH 0,5

meanS meanV stddevH

0 Nilai

0P0 0P2 1P0 1P2 2P0 2P2 3P0 3P2

stddevS stddevV

-0,5

skewnessH skewnessS

-1

skewnessV 2 per. Mov. Avg. (meanH)

-1,5

Gambar 4.20. Grafik Color Moments HSV citra daun sawi hijau umur 10 hari

Dari gambar 4.20 dapat dilihat bahwa tidak adanya perbedaan nyata pada warna Hue yang bisa digunakan untuk membedakan status nutrisi 0P0 (diperoleh dari pemberian 0 gram ZA sebagai sumber N, dan 0 gram KCL sebagai sumber K yang dilarutkan dalam 1 liter air) sampai dengan 3P3 (diperoleh dari pemberian 3 gram ZA sebagai sumber N, dan 3 gram KCL sebagai sumber K yang dilarutkan dalam 1 liter air). Menurut penelitian yang dilakukan oleh Rodriguez dkk. (2004) bahwa tanaman muda belum dapat menyerap unsur-unsur yang terkandung dalam

73

pupuk ZA, TSP dan Kcl sebagai sumber Nitrogen, Fosfor dan Kalium secara optimal, sehingga belum terlihat perbedaan yang signifikan pada organ tanaman, khususnya daun. 1

0,5

meanH meanS meanV stddevH

0 Nilai

0P0 0P1 0P2 0P3 1P0 1P1 1P2 1P3 2P0 2P1 2P2 2P3 3P0 3P1 3P2 3P3

stddevS stddevV skewnessH

-0,5

skewnessS skewnessV 2 per. Mov. Avg. (meanH) -1

-1,5

Gambar 4.21. Grafik Color Moments HSV citra daun sawi hijau umur 15 hari

4.1.7. Normalisasi Data Proses

normalisasi

data

hasil

ekstraksi

fitur

dilakukan

dengan

menggunakan fungsi PRESTD pada Matlab. Berikut penulisan syntax PRESTD yang digunakan. [pn,meanp,stdp,tn,meant,stdt]=prestd(p,t) Dimana : p = data input sebelum normalisasi t = data target sebelum normalisasi

74

pn

= data input hasil normalisasi

meanp = mean data input stdp

= nilai standar deviasi input

tn

= target yang sudah dinormalisasi

meant = nilai mean data target stdt

= nilai standar deviasi target.

Berikut adalah contoh data hasil ekstraksi fitur warna dan tekstur yang di-eksport di menjadi file dat.

Gambar 4.22 22.. Contoh data hasil ekstraksi fitur dalam format dat

75

Berikut adalah contoh data yang telah dinormalisasi dan transposisi.

Gambar 4.23. 4. Contoh data hasil normalisasi dalam format dat

4.1.8

Pelatihan dan Pengujian Jaringan Saraf Tiruan Backpropagation Backpropa

a. Metode Pelatihan Jaringan Saraf Tiruan dengan untuk identifikasi Nitrogen dan Kalium Pada Penelitian ini metode pelatihan (training) ( ) yang digunakan adalah traingdx dengan mengubah laju pemahaman dan menambahkan faktor momentum. Fungsi kinerja yang digunakan pada penelitian ini adalah MSE (Mean Mean Square Error) Error yang mengambil kuadrat error yang terjadi antara output jaringan dengan target. Kombinasi Hidden layer (layer tersembunyi) yang digunakan pada penelitian ini ada 2 kombinasi yaitu dengan 1 hidden layer dan 2 hidden layer.. Model pertama dengan 1 hidden layer dengan 40, 60, 80, 100 dan neuron, model 2 dengan 2 hidden layer yaitu 40-20, 60-20, 20, 80-20 80 dan 100-20

76

neuron, hidden layer output untuk kedua model menggunakan dengan 1 neuron. Perintah dalam Matlab yang digunakan untuk metode traingdx adalah sebagai berikut : Net= newff(minmax(masukan),[80 1],{‘tansig’,’purelin’},’traingdx’) Net= newff(minmax(masukan),[80 20 1],{‘tansig’,’tansig’,’purelin’},’traingdx’)

b. Parameter Training (pelatihan ) Jaringan Saraf Tiruan Adapun parameter yang ditentukan pada pelatihan jaringan saraf tiruan yang digunakan pada penelitian ini adalah : net.trainParam.epochs= 20000 syntax diatas membuat maksimum iterasi adalah 20000. net.trainParam.goal=0.000001 systax diatas untuk membatasi nilai MSE (Mean Square Error) agar iterasi dihentikan. net.trainParam.lr=0.001; syntax diatas untuk menentukan laju pemahaman (learning rate) 0,001 dalam pelatihan jaringan saraf tiruan. net.trainParam.show=100 syntax diatas untuk menampilkan frekuensi perubahan MSE. net.trainParam.mc=0.5 syntax diatas untuk menunjukkan perubahan momentum sebesar 0,5 dalam setiap pelatihannya. [net,tr]=train(net,pn,tn)

77

Syntax diatas untuk memulai pelatihan jaringan saraf tiruan, pada proses ini akan dimunculkan grafik pelatihan dan nilai error.

c.

Hasil Pelatihan dan Pengujian Identifikasi Nitrogen Hasil asil pelatihan saraf tiruan backpropagation pada penelitian ini untuk 1

target output dalam mengidentifikasi 3 kelas pemberian pupuk ZA sebagai sumber N, dimana : Tanpa Nitrogen (N = 0), Nitrogen antara 1-22 gram dalam 1 liter air dan Nitrogen > 2 gram dalam 1 liter air. Adapun hasil pelatihan dengan kombinasi 1 hidden layer adalah sebagai berikut :

Gambar 4.24 24. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas N

78

Gambar 4.25. 4. Grafik MSE pada Epoch 20000

Gambar 4.26.. Koefisien Korelasi pada hidden layer 40-11 (R=0.9999)

Darii Gambar 4.24 sampai Gambar 4.26 dapat dilihat bahwa dengan menggunakan jumlah neuron 40 pada 1 hidden layer menghasilkan MSE 0,0000163 yang mendekati net.trainParam.goal=0.000001 dan koefisien korelasi 0,9999 dalam waktu pelatihan 4 menit 4 detik. Saat dilakukan pengujian pada 92 data uji diperoleh akurasi 93,47% dengan menggunakan Persamaan 3.24. 3.24 Adapun contoh perhitungan akurasi dalam validasi adalah sebagai berikut : Jumlah data uji yang digunakan untuk identifikasi N

= 92

Jumlah data yang diidentifikasi dengan benar sesuai target = 86

79

Maka dengan menggunakan nggunakan Persamaan 3.24 diperoleh : pqcK\] %

86 x 100% 92

93,47%

Penambahan jumlah neuron menghasilkan MSE, koefisien korelasi dan akurasi asi seperti pada Tabel 4.1. Tabel 4. 1.. Hasil kombinasi 1 hidden layer 3 kelas kandungan N Neuron

MSE

Koefisien Korelasi

Akurasi (%)

40

0,0000163

0,9999

93,47

60

0,0000105

0,9999

90,21

80

0,00000349

1

93,47

100

0,0000339

0,9998

85,86

Pelatihan dengan menggunakan kombinasi 2 hidden layer dan jumlah neuron 40-20 20 dapat dilihat pada gambar berikut :

Gambar 4.27. Hasil Pelatihan 2 Hidden layer 40-20-11 untuk 3 kelas N

80

Gambar 4.28. MSE pada Epoch 20000

Gambar 4.29 29. Koefisien Korelasi pada hidden layer 40-20 20-1 (R=1)

Darii Gambar 4.27 sampai Gambar 4.29 dapat dilihat bahwa pada 20000 epoch diselesaikan dalam waktu 4 menit 47 detik dengan nilai MSE 0,00000235 dan koefisien korelasi 1. Pada Pada saat digunakan untuk menguji 92 citra sawi diperoleh akurasi 97,82%. Hasil MSE, koefisien korelasi dan akurasi dengan penambahan jumlah neuron sampai 100-20 100 diperoleh hasil asil seperti pada Tabel 4.2.

81

Tabel 4. 2. Hasil kombinasi 2 hidden layer 3 kelas kandungan N Neuron

MSE

Koefisien Korelasi

Akurasi (%)

40-20

0,00000235

1

97,82

60-20

0,0000047

1

96,73

80-20

0,00000211

1

93,47

100-20

0,00000171

1

96,73

Dari Tabel 4.1 dan Tabel 4.2 dapat dilihat bahwa akurasi terbaik diperoleh dari kombinasi 2 hidden layer dengan jumlah neuron 40-20 yaitu 97,82 % saat diuji dengan menggunakan 92 data citra daun tanaman sawi hijau yang berumur 15 hari, walaupun nilai MSE diperoleh hanya 0,00000235 yang lebih besar dari pelatihan dengan jumlah neuron 100-20 yaitu 0,00000171, namun hasil pengujian menghasilkan akurasi 96,73%. Koefisien korelasi yang dihasilkan dengan menggunakan 2 kombinasi hidden layer menghasilkan nilai 1, sedangkan pada kombinasi 1 hidden layer hanya dengan jumlah neuron 80 yang menghasilkan nilai 1.

d.

Hasil Pelatihan dan Pengujian Identifikasi Kalium Hasil pelatihan saraf tiruan backpropagation pada penelitian ini untuk 1

target output dalam mengidentifikasi 3 kelas pemberian pupuk Kcl sebagai sumber Kalium, dimana : Tanpa Kalium (K = 0), Kalium antara 1-2 gram dan Kalium > 2 gram dalam 1 liter air. Adapun hasil pelatihan dengan kombinasi 1 hidden layer dan 2 hidden layer adalah sebagai berikut :

82

Gambar 4.30 30. Hasil Pelatihan 1 Hidden layer 40-11 untuk 3 kelas K

Gambar 4.31. MSE pada Epoch 20000

83

Gambar 4.32. Koefisien Korelasi pada 1 hidden layer 40-11 (R=0,9416)

Dari Gambar 4.31 sampai 4.32 dapat dilihat bahwa nilai MSE diperoleh sebesar 0,113 yang sangat jauh dari goal yang ditentukan, dan koefisien korelasi sebesar 0,9416. Waktu yang diperlukan untuk melakukan melakukan pelatihan 158 data citra adalah 4 menit 15 detik. Pada saat digunakan untuk menguji 92 data citra diperoleh akurasi sebesar 35,86%. Hasil MSE, koefisien korelasi dan akurasi dengan menggunakan jumlah neuron 60, 80 dan 100 dapat dilihat pada Tabel 4.3. Tabel 4. 3.. Hasil kombinasi 1 hidden layer 3 kelas kandungan K Neuron

MSE

Koefisien Korelasi

Akurasi (%)

40

0,113

0,9416

35,86

60

0,113

0,9414

43,47

80

0,113

0,9414

40,21

100

0,113

0,9412

31,52

84

Pelatihan dengan menggunakan kombinasi 2 hidden layer dan jumlah neuron mulai dari 40--20 diperoleh hasil seperti gambar berikut :

Gambar 4.33.. Hasil Pelatihan 1 Hidden layer 40-20-11 untuk 3 kelas K

Gambar 4.34. MSE pada Epoch 20000

85

Gambar 4.35.. Koefisien Korelasi pada 2 hidden layer 40-20-11 (R=0,9420)

Pada Gambar 4.33 sampai Gambar 4.35 dapat dilihat bahwa pelatihan dengan kombinasi 2 hidden layer dan d jumlah neuron 40-20-11 diperoleh nilai MSE 0,112 dan koefisien korelasi 0,9420. Waktu yang dibutuhkan untuk melatih 158 data citra 20000 epoch adalah 5 menit 5 detik. Saat diujikan dengan menggunakan 92 data citra diperoleh akurasi sebesar 36,95%. Nilai MSE, koefisien korelasi dan akurasi dari penggunaan jumlah neuron 60-20, 60 80-20 dan 100--20 dapat dilihat pada Tabel 4.4 : Tabel 4.4.. Hasil kombinasi 2 hidden layer 3 kelas kandungan K Neuron

MSE

Koefisien Korelasi

Akurasi (%)

40-20

0,112

0,9420

36,95

60-20

0,112

0,9418

45,65

80-20

0,113

0,9410

43,47

100-20

0,113

0,9416

40,21

86

Dari Tabel 4.3 dan Tabel 4.4 dapat dilihat bahwa hasil akurasi terbaik hanya diperoleh sebesar 45,65% dengan menggunakan kombinasi 2 hidden layer, jumlah neuron 60-20-1, nilai MSE sebesar 0,112 dan koefisien korelasi 0,9418. Rendahnya akurasi jaringan saraf tiruan dalam melakukan identifikasi Kalium disebabkan karena tidak adanya perbedaan yang signifikan pada warna dan tekstur daun sawi hijau yang diberikan pupuk Kalium 0, 1, 2 atau 3 gram yang dilarutkan dalam satu liter air. Hal ini ternyata disebabkan karena tanaman sawi hijau Brassica Juncea L yang dipanen pada fase vegetatif hanya memerlukan unsur hara makro Nitrogen untuk perkembangan bagian vegetatif tanaman sawi hijau tersebut, sedangkan Fosfor dan Kalium dibutuhkan saat tanaman sawi hijau memasuki fase generatif atau berumur lebih dari 35 hari setelah tanam (Rakhmiati dkk. 2003).

e.

Identifikasi Umur Tanaman dengan Input Color Moments, GLCM dan Luas Area Daun Pelatihan jaringan saraf tiruan Backpropagation untuk mengidentifikasi

umur tanaman menggunakan penggabungan input Color moments, GLCM dan luas area daun, jumlah input yang digunakan adalah 30 input seperti pada Gambar 3.7. Kombinasi hidden layer yang digunakan sama dengan kombinasi hidden layer untuk identifikasi Nitrogen dan Kalium yaitu 2 kombinasi hidden layer. 1 hidden layer dengan jumlah neuron 40,60,80 dan 100. 2 hidden layer dengan jumlah neuron 40-20, 60-20, 80-20 dan 100-20, 1 layer output untuk identifikasi 3 kelas umur tanaman sawi. Adapun nilai MSE, Koefisien korelasi dan akurasi pengujian umur tanaman sawi dapat dilihat pada gambar berikut :

87

Gambar 4.36. Hasil Pelatihan 1 Hidden layer 40-1 untuk 3 kelas umur

Gambar 4.37. 4. Grafik MSE pada Epoch 20000

88

Gambar 4.38 38. Koefisien Korelasi pada hidden layer 40-11 (R= 1)

Dari Gambarr 4.36 sampai dengan Gambar 4.38 dapat dilihat bahwa hasil pelatihan dengan 1 hidden layer 40 neuron diperoleh nilai MSE 0,00000493 yang masih lebih besar dari nilai goal yang ditetapkan pada parameter rameter jaringan saraf tiruan, nilai koefisien korelasi = 1, dalam 20000 epoch diperlukan waktu pelatihan selama 4 meni 18 detik. Akurasi saat diuji dengan 108 citra daun tanaman sawi dengan perlakukan pemberian pupuk ZA sebagai sumber N 1 gram dalam 1 liter lit air dihasilkan 72,2%. Berikut adalah nilai MSE, koefisien korelasi dan akurasi terhadap citra hasil uji umur dengan kombinasi 1 dan 2 hidden layer. layer Tabel 4. 5.. Hasil kombinasi 1 hidden layer 3 kelas umur tanaman sawi hijau. Neuron

MSE

Koefisien Korelasi

Akurasi (%)

40

0,00000499

1

72,2

60

0,0000154

0,9999

72,2

80

0,00000326

1

66,66

100

0,0000229

0,9999

57,40

89

Tabel 4. 6. Hasil kombinasi 2 hidden layer 3 kelas umur tanaman sawi hijau Neuron

MSE

Koefisien Korelasi

Akurasi (%)

40-20

0,00000242

1

74,07

60-20

0,00000236

1

77,70

80-20

0,00000099

1

76,85

100-20

0,00000113

1

78,70

Dari Tabel 4.5 dan Tabel 4.6 dapat dilihat bahwa akurasi terbaik diperoleh dari kombinasi 2 hidden layer dengan jumlah neuron 100-20 yaitu 78,70%, walaupun nilai MSE yang diperoleh adalah 0,00000113 lebih besar daripada pelatihan dengan jumlah neuron 80-20 yaitu 0,00000099. Akurasi hasil yang kurang dari 80% dalam mengidentifikasi umur tanaman sawi hijau (Brassica Junce L.) varietas Tosakan ini disebabkan karena perbedaan warna dan tekstur daun dari umur 10 hari dengan 20 hari dan 30 hari tidak terlalu signifikan. Perubahan warna, tekstur dan luas area daun dalam 10, 20 dan 30 hari setelah tanam (MST) dapat dilihat pada grafik Gambar 4.39 dan Gambar 4.40.

90

3 2,5 2

Umur tanaman

Nilai

1,5 1 0,5

10

0

20

-0,5

30

-1 -1,5

Gambar 4.39. Grafik Warna dan Tekstur umur 10, 20 dan 30 hari.

300000

250000 L u a s

200000

150000 a r e a

100000

50000

0 10

20

30

Umur Tanaman Sawi Hijau

Gambar 4.40. Perubahan luas area daun tanaman Sawi hijau.

91

f.

Tampilan Program Identifikasi Nitrogen, Kalium dan umur tanaman Berikut adalah tampilan program saat menampilkan hasil identifikasi pupuk

ZA sebagai sumber Nitrogen.

Gambar 4.41. Tampilan program menampilkan hasil identifikasi Nitrogen

Berikut adalah tampilan program untuk menghasilkan identifikasi Kalium tanaman sawi hijau.

92

Gambar 4.42. Tampilan program menampilkan hasil identifikasi Kalium

Berikut adalah tampilan program untuk mengidentifikasi umur tanaman sawi hijau

Gambar 4.43. Tampilan program menampilkan hasil identifikasi umur

93

g.

Hasil uji klorofil Pengujian klorofil di laboratorium dilakukan dengan menggunakan alat

spektrofotometer. Sampel daun yang digunakan adalah kurang lebih 0,1 gram daun segar untuk setiap analisa klorofil. Pengambilan sampel daun diambil secara acak pada tanaman dengan pemberian pupuk ZA 0, 1, 2 dan 3 gram dalam 1 liter air, pada umur 15, 20, 25 dan 30 hari setelah tanam. Berikut adalah gambar grafik hubungan mean warna Hue dengan klorofil dengan menggunakan data yang sudah dinormalisasi dengan Z score. 1,5

Norm. Hue dan Klorofil

1 0,5 0 0

1

2

-0,5

3

4

Norm H Norm Klo

-1 -1,5 -2

Pupuk ZA (gr/lt)

Gambar 4.44. Grafik hubungan mean warna Hue dengan klorofil umur 15 hari

94

1,5

Norm. Hue dan Klorofil

1 0,5 Norm H

0 0

1

2

3

4

Norm Klo

-0,5 -1 -1,5

Pupuk ZA (gr/lt)

Gambar 4.45. Grafik hubungan mean warna Hue dengan klorofil umur 20 hari 1,5

Norm. Hue dan Klorofil

1 0,5 0 0

1

2

-0,5

3

4

Norm H Norm Klo

-1 -1,5 -2

Pupuk ZA (Gr/lt)

Gambar 4.46. Grafik hubungan mean warna Hue dengan klorofil umur 25 hari

95

1,5

Norm. Hue dan Klorofil

1 0,5 0 0

0,5

1

1,5

2

2,5

-0,5

3

3,5

Norm H Norm Klo

-1 -1,5 -2

Pupuk ZA (gr/lt)

Gambar 4.47. Grafik hubungan mean warna Hue dengan klorofil umur 30 hari

Dari Gambar 4.44 sampai Gambar 4.47 dapat dilihat bahwa semakin meningkatnya pemberian pupuk ZA mulai 0, 1, 2 dan 3 gram dalam 1 liter air maka semakin meningkat pula kadar klorofil daun sawi hijau, sedangkan dengan pengolahan citra, nilai mean warna Hue meningkat pada pemberian pupuk ZA dari 0 menuju 1 gram dalam 1 liter air, namun pada pemberian pupuk ZA 3 gram dalam 1 liter air terjadi penurunan nilai warna Hue.

BAB V

SIMPULAN BAB V DAN SARAN

SIMPULAN DAN SARAN Berikut kesimpulan dari penelitian yang telah dilakukan dan saran untuk pengembangan penelitian yang berkaitan di masa mendatang. 5.1

Simpulan

Dari penelitian yang telah dilakukan dapat disimpulkan beberapa hal yaitu : 1. Metode pengolahan citra digital dengan metode Color Moment, Gray Level Co-occurrence Matrix dan jaringan saraf tiruan Backpropagation dapat diimplementasikan dalam rancangan aplikasi untuk identifikasi Nitrogen dan umur tanaman sawi hijau (Brassica Juncea L.) varietas Tosakan. 2. Metode Color Moment, Gray Level Co-occurrence Matrix dan jaringan saraf tiruan Backpropagation yang diusulkan dalam penelitian ini mampu melakukan identifikasi Nitrogen melalui citra daun tanaman sawi hijau (Brassica Juncea L.) varietas Tosakan dengan akurasi 97,82%, namun tidak mampu melakukan identifikasi Kalium karena tanaman sawi yang dipanen pada fase vegetatif belum membutuhkan Kalium. 3. Metode Color Moment, Gray Level Co-occurrence Matrix, Moments dan jaringan

saraf

tiruan

Backpropagation

dapat

digunakan

untuk

mengidentifikasi umur tanaman sawi hijau (Brassica Juncea L.) varietas Tosakan dengan akurasi 78,70%.

96

97

5.2

Saran

Adapun saran-saran untuk pengembangan dan modifikasi ke arah yang lebih baik. 1. Perlu dilakukan perbaikan bagian akuisisi citra, dengan pengaturan pencahayaan baik intensitas, sudut pencahayaan dan pemilihan kamera yang digunakan untuk akuisisi citra daun sawi hijau (Brassica Juncea L.) varietas Tosakan. 2. Penelitian perlu dilanjutkan sampai sawi hijau (Brassica Juncea L.) varietas Tosakan ini memasuki fase generatif (sampai umur kurang lebih 90 hari setelah tanam) untuk mengetahui pengaruh Kalium pada daun dan perubahan warna serta tekstur daun secara visual pada daun.

DAFTAR PUSTAKA

Acharya Tinku, Ajoy K. Ray. 2005. Image Processing Principles and Application. New Jersey USA : A John Wiley & Sons. Mc., Publication. America. Anonym. 2010. Peranan unsur hara.http://www.pupukcair.co.cc/2010/12/perananunsur-hara.html. [diunduh : 28 Mei 2011] Apriawan, S. 2011. Kadar Nitrogen dan Pertumbuhan Tanaman Buncis (phaseolus vulgaris l.) Pada Tingkat Penyediaan Air yang Berbeda. Skripsi S1 Universitas Pendidikan Indonesia. Cahyono, B. 2003. Teknik dan Strategi Budi Daya Sawi Hijau (Pai-Tsai). Yayasan Pustaka Nusantara, Yogyakarta Fausett, L. 1994. Fundamentals Of Neural Networks. Prentice-Hall. Furuya, S. 1987. Growth Diagnosis of Rice Plants by Means of Leaf Colour. JARQ Vol. 20 (3): 147-153. Gang Wu, S., Forrest Sheng Bao, Eric You Xu, Yu-Xuan Wang, Yi-Fan Chang, dan Qiao-Liang Xiang . 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. Tersedia di : arxiv.org/pdf/0707.4289. Ghasemi, M., Kazem Arzani, Abbas Yadollahi, Shiva Ghasemi, dan Saadat Sarikhani Khorrami. 2011. Estimate of Leaf Chlorophyll and N Content in Asean Pear (Pyrus Serotina Rehd.) by CCM-200. Tersedia di : notulaebiologicae.ro/nsb/article/viewFile/5623/5353 Gonzales, R.C., and Woods, R.E. 2002. Digital Image Processing Second edition. New Jersey: Prentice Hall. Hall-Beyer, M. 2007. GLCM Texture: A Tutorial. National Council on Geographic Information and Analysis Remote Sensing Core Curriculum. Hapsari, B. 2002. Sayuran Genjah Bergelimang Rupiah. Trubus 33(396) : 30-31. Haryanto, E., T. Suhartini, dan E. Rahayu. 2001. Sawi dan Selada. Penebar Swadaya. Jakarta. 117 p. Heru, P dan Yovita, H. 2003. Hidroponik Sayuran Semusim Untuk Hobi dan Bisnis. Gramedia. Jakarta.

98

99

Huque, A.E. 2006. Shape Analysis and Measurement for the HeLa cell classification of cultured cells in high throughput screening. School of Humanities & Informatics University of Skövde, Sweden. Khan, A. 2010. Algorithm Study and Matlab Model for CCITT Group4 TIFF Image Compression. Linköpings Universitet Institute Of Technology. Sweden. Kim, K.S., G.A. Giacomelii, S. Sase, J.E. Son, S.W. Nam dan F. Nakazama. 2006. Optimization of Growth Environment in a Plant Production Facility Using a Chlorophyll Fluorescence Method. JARQ 40 (2): 149-156. Lingga, Pinus. 1999. Hidroponik Bercocok Tanam Tanpa Tanah. Penebar Swadaya, Jakarta Martinez, W.L dan Martinez, A.R. 2002. Computational Statistics Handbook With Matlab. Florida : CRC Press LLC. Meyer, G. E. dan J. C. Neto. 2008. Verification of color vegetation indices for automated crop imaging applications. Computer and electronics in agriculture 63(2): 282-293. Pratt, W.K. 2001. Digital Image Processing. PIKS inside. John Wiley & Sons Inc. New York. Putra, Darma IKG. 2009. Sistem Biometrika. Konsep Dasar, Teknik Analisis Citra, dan Tahapan Membangun Aplikasi Sistem Biometrika. Andi Offset. Yogyakarta. Putra, Darma IKG. 2010. Pengolahan Citra Digital. Penerbit Andi. Yogyakarta Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Andi Offset. Yogyakarta. Pydipati, R., Burks, T. F. dan Lee, W. S. 2006. Identification of citrus disease using color texture features and discriminant analysis. Comput. Electron. Agri. 52(1-2), 49-59 (2006). Rakhmiati, Yatmin, dan Fahrurrozi. 2003. Respon tanaman sawi terhadap proporsi dan takaran pemberian N. Jurnal Wacana Pertanian Vol. III. Hal 119121. Bandar Lampung. Rodriguez, E., Ryan Sultan dan Amy Hilliker. 2004. Negative Effects of Agriculture on Our Environment. The Traprock, Vol. 3, Mei 2004, pp 28 – 32. Rukmana, R. 2002. Bertanam Petsai dan Sawi. Kanisius, Yogyakarta Samekto, R,. 2008. Pemupukan. PT Citra Aji Parama, Yogyakarta.

100

Siswadi. 2006. Tanaman Hidroponik. PT. Citra Aji Parama Yogyakarta. Solomon, C dan Breckon T. 2011. Fundamentals of Digital Image Processing A Practical Approach with Examples in Matlab. Wiley Blackwell, John Wiley & Sons Ltd. USA. Suhardiyanto, Herry. 2009. Teknologi Hidroponik Untuk Budidaya Tanaman. IPB Bogor. Sutoyo, T., Edy Mulyanto, Vincent Suhartono, Oky Dwi nurhayati dan Wijanarto. 2009. Teori Pengolahan Citra Digital. UDINUS Semarang dan ANDI Yogyakarta. Sunarjono, H. 2004. Bertanam Sawi dan Selada. Penebar Swadaya. Jakarta. Tai-shan, Yan. 2005. Glass Crack Detection Based on BP Neural Network Model. Sci-Tech Information Development & Economy 15(8), 182–183 (2005) Tomkins, D. A. D. 2000. Rate Control In Bi-Level Image Coding. The University of British Colombia. Wibawanto, H., Adhi Susanto, Thomas Sri Widodo dan S. Maesadji Tjokronegoro. 2008. Identifikasi Citra Massa Kistik Berdasar Fitur Gray-Level Co-Occurrence Matrix. Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008). Woebbecke, D. M., G. E. Meyer, K. Von Bargen, and D. A. Mortensen. 1995. Shape features for identifying young weeds using image analysis. Trans. Am. Soc. Agric. Eng 38(1): 271-281. Xu, G., Zhang, F., Shah, S.G., Ye, Y., Mao, H. 2009. Use of Leaf Color Images to Identify Nitrogen and Potassium Deficient Tomatoes. Pattern Recognition Letters. (2011), doi : 10.1016 / j. patrec . 2011.04.020. Yao, X., Wencai Du, Siling Feng dan Jun Zou. 2010. Image-based Plant Nutrient Status Analysis : An Overview. Proceedings of the 2010 IEEE International Conference on Intelligent Computing and Intelligent Systems, Xiamen, China. pp. 460–464.

LAMPIRAN Berikut adalah data citra daun tanaman sawi hijau yang digunakan untuk pelatihan jaringan saraf tiruan backpropagation dalam identifikasi Nitrogen

101

102

103

Berikut adalah data citra daun tanaman sawi yang digunakan untuk pengujian dalam mengidentifikasi Nitrogen.

104

Berikut adalah data citra daun sawi hijau yang berumur 10, 15, 20, 25 dan 30 hari yang diberikan pupuk ZA 1 gram dalam 1 liter air, untuk pelatihan identifikasi umur tanaman sawi hijau.

105

106

107

Berikut adalah tabel hasil pengujian identifikasi Nitrogen dengan menggunakan 92 data citra daun sawi uji. NO

NAMA

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

11_0P0_15_cro1.jpg 11_0P1_15_cro1.jpg 11_0P2_15_cro1.jpg 11_0P3_15_cro1.jpg 11_1P0_15_cro1.jpg 11_1P1_15_cro1.jpg 11_1P2_15_cro1.jpg 11_1P3_15_cro1.jpg 11_2P0_15_cro1.jpg 11_2P1_15_cro1.jpg 11_2P2_15_cro1.jpg 11_2P3_15_cro1.jpg 11_3P0_15_cro1.jpg 11_3P1_15_cro1.jpg 11_3P2_15_cro1.jpg 11_3P3_15_cro1.jpg 12_0P0_15_cro1.jpg 12_0P1_15_cro1.jpg 12_0P2_15_cro1.jpg 12_0P3_15_cro1.jpg 12_1P0_15_cro1.jpg 12_1P1_15_cro1.jpg 12_1P2_15_cro1.jpg 12_1P3_15_cro1.jpg 12_2P0_15_cro1.jpg 12_2P1_15_cro1.jpg 12_2P2_15_cro1.jpg 12_2P3_15_cro1.jpg 12_3P0_15_cro1.jpg 12_3P1_15_cro1.jpg 12_3P2_15_cro1.jpg 12_3P3_15_cro1.jpg 13_0P0_15_cro1.jpg 13_0P1_15_cro1.jpg 13_0P2_15_cro1.jpg

Teridentifikasi benar √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √

Terindentifikasi salah

X √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ X

108

NO 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73

Teridentifikasi benar √ 13_0P3_15_cro1.jpg √ 13_1P0_15_cro1.jpg √ 13_1P1_15_cro1.jpg √ 13_1P2_15_cro1.jpg √ 13_1P3_15_cro1.jpg √ 13_2P0_15_cro1.jpg √ 13_2P1_15_cro1.jpg √ 13_2P2_15_cro1.jpg √ 13_2P3_15_cro1.jpg √ 13_3P0_15_cro1.jpg √ 13_3P1_15_cro1.jpg √ 13_3P2_15_cro1.jpg √ 13_3P3_15_cro1.jpg √ 14_0P0_15_cro1.jpg √ 14_0P1_15_cro1.jpg √ 14_0P2_15_cro1.jpg √ 14_0P3_15_cro1.jpg √ 14_1P0_15_cro1.jpg √ 14_1P1_15_cro1.jpg √ 14_1P2_15_cro1.jpg √ 14_1P3_15_cro1.jpg √ 14_2P0_15_cro1.jpg √ 14_2P1_15_cro1.jpg √ 14_2P2_15_cro1.jpg √ 14_2P3_15_cro1.jpg √ 14_3P0_15_cro1.jpg √ 14_3P1_15_cro1.JPG √ 14_3P2_15_cro1.jpg √ 14_3P3_15_cro1.jpg √ 15_0P0_15_cro1.jpg √ 15_0P1_15_cro1.jpg √ 15_0P2_15_cro1.jpg √ 15_0P3_15_cro1.jpg √ 15_1P0_15_cro1.jpg √ 15_1P1_15_cro1.jpg √ 15_1P2_15_cro1.jpg √ 15_1P3_15_cro1.jpg √ 15_2P1_15_cro1.jpg NAMA

Terindentifikasi salah

109

NO

NAMA

74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92

15_2P2_15_cro1.jpg 15_2P3_15_cro1.jpg 15_3P0_15_cro1.jpg 15_3P1_15_cro1.JPG 15_3P2_15_cro1.jpg 15_3P3_15_cro1.jpg 16_0P1_15_cro1.jpg 16_0P2_15_cro1.jpg 16_1P0_15_cro1.jpg 16_1P1_15_cro1.JPG 16_2P1_15_cro1.JPG 16_2P2_15_cro1.jpg 16_2P3_15_cro1.JPG 16_3P0_15_cro1.jpg 16_3P1_15_cro1.JPG 17_0P1_15_cro1.jpg 17_2P1_15_cro1.jpg 18_0P1_15_cro1.jpg 18_3P1_15_cro1.JPG TOTAL

Teridentifikasi benar √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ 97,82%

Terindentifikasi salah

2,17%

Berikut adalah data citra daun sawi hijau yang digunakan untuk pengujian identifikasi umur tanaman.

110

111

Berikut adalah tabel hasil pengujian identifikasi umur tanaman sawi hijau dengan menggunakan 108 data citra daun sawi uji. No

Nama

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

10_1P0_10_cro1.jpg 10_1P0_15_cro1.jpg 10_1P0_30_cro1.jpg 10_1P1_10_cro1.jpg 10_1P1_25_cro1.jpg 10_1P1_30_cro1.jpg 10_1P2_15_cro1.jpg 10_1P2_25_cro1.jpg 10_1P2_30_cro1.jpg 10_1P3_10_cro1.jpg 10_1P3_15_cro1.jpg 10_1P3_25_cro1.jpg 10_1P3_30_cro1.jpg 110_1P1_15_cro1.jpg 11_1P0_10_cro1.jpg 11_1P0_20_cro1.jpg 11_1P0_25_cro1.jpg 11_1P0_30_cro1.jpg 11_1P1_10_cro1.jpg 11_1P1_20_cro1.jpg 11_1P1_25_cro1.jpg 11_1P1_30_cro1.jpg 11_1P2_10_cro1.jpg 11_1P2_20_cro1.jpg 11_1P2_25_cro1.jpg 11_1P2_30_cro1.jpg 11_1P3_10_cro1.jpg 11_1P3_20_cro1.jpg 11_1P3_25_cro1.jpg 11_1P3_30_cro1.jpg 12_1P0_10_cro1.jpg 12_1P0_20_cro1.jpg 12_1P0_25_cro1.jpg 12_1P0_30_cro1.jpg 12_1P1_10_cro1.jpg

Teridentifikasi benar √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √

Teridentifikasi salah

x √ √ √ x √ √ √ √ √ √ x √ √ √ √ √ √ √

112

No

Nama

36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73

12_1P1_20_cro1.jpg 12_1P1_30_cro1.jpg 12_1P2_10_cro1.jpg 12_1P2_20_cro1.jpg 12_1P2_25_cro1.jpg 12_1P2_30_cro1.jpg 12_1P3_10_cro1.jpg 12_1P3_20_cro1.jpg 12_1P3_25_cro1.jpg 12_1P3_30_cro1.jpg 13_1P0_10_cro1.jpg 13_1P0_20_cro1.jpg 13_1P0_30_cro1.jpg 13_1P1_10_cro1.jpg 13_1P1_20_cro1.jpg 13_1P1_25_cro1.jpg 13_1P1_30_cro1.jpg 13_1P2_10_cro1.jpg 13_1P2_20_cro1.jpg 13_1P2_25_cro1.jpg 13_1P2_30_cro1.jpg 13_1P3_10_cro1.jpg 13_1P3_20_cro1.jpg 13_1P3_25_cro1.jpg 13_1P3_30_cro1.jpg 14_1P0_20_cro1.jpg 14_1P0_25_cro1.jpg 14_1P0_30_cro1.jpg 14_1P1_10_cro1.jpg 14_1P1_25_cro1.jpg 14_1P1_30_cro1.jpg 14_1P2_10_cro1.jpg 14_1P2_20_cro1.jpg 14_1P2_25_cro1.jpg 14_1P2_30_cro1.jpg 14_1P3_20_cro1.jpg 14_1P3_25_cro1.jpg 14_1P3_30_cro1.jpg

Teridentifikasi benar

Teridentifikasi salah x

√ x x √ √ √ x √ √ x √ √ √ √ √ √ x x √ √ √ √ √ √ x x √ √ √ √ √ x √ √ x x √

113

No

Nama

74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108

15_1P0_20_cro1.jpg 15_1P0_25_cro1.jpg 15_1P1_10_cro1.jpg 15_1P1_20_cro1.jpg 15_1P1_25_cro1.jpg 15_1P1_30_cro1.jpg 15_1P2_10_cro1.jpg 15_1P2_20_cro1.jpg 15_1P2_25_cro1.jpg 15_1P2_30_cro1.jpg 15_1P3_30_cro1.jpg 16_1P0_20_cro1.jpg 16_1P1_10_cro1.jpg 16_1P1_20_cro1.jpg 16_1P1_25_cro1.jpg 16_1P1_30_cro1.jpg 16_1P2_10_cro1.jpg 16_1P2_20_cro1.jpg 16_1P2_25_cro1.jpg 16_1P2_30_cro1.jpg 16_1P3_25_cro1.jpg 16_1P3_30_cro1.jpg 17_1P0_20_cro1.jpg 18_1P0_20_cro1.jpg 19_1P0_20_cro1.jpg 19_1P1_20_cro1.JPG 20_1P0_10_cro1.JPG 20_1P0_20_cro1.JPG 20_1P0_25_cro1.JPG 21_1P0_25_cro1.JPG 22_1P1_15_cro1.JPG 23_1P1_15_cro1.JPG 24_1P0_20_cro1.jpg 26_1P1_15_cro1.JPG 27_1P1_15_cro1.JPG TOTAL

Teridentifikasi benar

Teridentifikasi salah x

√ √ x √ √ √ √ x √ √ √ √ √ √ √ √ √ √ √ √ √ √ x x √ √ √ √ x x x √ √ √ 78,70 %

21,30 %