IDENTIFIKASI PENYAKIT PADI DAN ANTHURIUM MENGGUNAKAN WAVELET DENGAN KLASIFIKASI K-NEAREST NEIGHBORS
ARVIANTO CANDRA WICAKSANA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
1
ABSTRACT ARVIANTO CANDRA WICAKSANA. Identification Leaf Disease On Anthurium and rice Using Wavelet With K-Nearest Neighbors. Supervised by YENI HERDIYENI.
Leaf disease on Anthurium and rice can inflict financial loss to farmers. Eradication of the diseases can done, determining the type of disease is still difficult. This research proposed a new study on measuring for automatically identification of plant disease based on leaf image with the input of digital image. Detection process started with feature extraction using Haar wavelet transform and the identification process using the k-Nearest Neighbor (k-NN). This study, used the image which consists of seven hundred images, divided into seven classes consisting of 80% for training data and 20% for test data. The experimental result showed that identification of plant disease with leaf anthurium using k-NN is better than that of leaf anthurium and rice. The experimental result show that the accuracy system is 72.8%. Keywords: Wavelet Transformation, Classification, K-Nearest Neighbors, Image Processing
3
IDENTIFIKASI PENYAKIT PADI DAN ANTHURIUM MENGGUNAKAN WAVELET DENGAN KLASIFIKASI K-NEAREST NEIGHBORS
ARVIANTO CANDRA WICAKSANA
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
2
Judul Nama NRP
: Identifikasi Penyakit Padi dan Anthurium Menggunakan Wavelet dengan Klasifikasi KNearest Neighbors : Arvianto Candra Wicaksana : G64086016
Menyetujui: Pembimbing
Dr. Yeni Herdiyeni, S.Si, M.Kom. NIP 19750923 200012 2 001
Mengetahui: Ketua Departemen Ilmu Komputer Institut Pertanian Bogor
Dr. Ir. Sri Nurdiati, M.sc. NIP 19601126 198601 2 001
Tanggal Lulus:
iv
RIWAYAT HIDUP Penulis dilahirkan di Sragen Jawa Tengah pada tanggal 30 November 1986 dari ayah Drs. Edy Roseno MM. dan ibu Dyah Indriawati BSc, S.Sos. Penulis merupakan putra pertama dari dua bersaudara. Tahun 2005 penulis lulus dari SMA Yadika 5 Jakarta Barat dan pada tahun yang sama lulus seleksi masuk Diploma IPB melalui jalur USMI (Undangan Seleksi Masuk IPB). Tahun 2008 penulis lulus dari Diploma IPB dan pada tahun yang sama diterima di Ekstensi Ilmu Komputer IPB, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
v
PRAKATA Alhamdulillahirabbil ‘alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala atas segala curahan rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir ini. Topik tugas akhir yang dipilih dalam penelitian adalah Identifikasi Penyakit Padi dan Anthurium Mengggunakan wavelet dengan Klasifikasi K-Nearest Neighbors. Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain: 1
2 3 4 5
Seluruh keluarga besar penulis, khususnya kepada kedua orang tua penulis tercinta. Ibu dan Bapak, serta adik penulis atas segala cinta kasih, doa, kesabaran, dukungan, dan dorongan semangat kepada penulis selama ini. Ibu Dr.Yeni Herdiyeni, S.Si, M.Kom selaku pembimbing atas bimbingan dan arahannya selama pengerjaan tugas akhir ini. Bapak Sony Hartono Wijaya S.Kom, M.Kom dan bapak Aziz Kustiyo S.Si, M.Kom atas kesediaannya menjadi penguji penelitian ini. Teman-teman satu bimbingan atas kerjasamanya selama penelitian. Seluruh teman-teman seperjuangan ekstensi Ilmu Komputer angkatan 3 yang tidak dapat disebutkan namanya satu-persatu.
Penulis menyadari bahwa dalam pelaksanaan penelitian ini masih jauh dari kesempurnaan, namun besar harapan penulis bahwa apa yang telah dikerjakan dapat memberikan manfaat bagi seluruh pihak.
Bogor,
Juli 2011
Arvianto Candra Wicaksana
vi
DAFTAR ISI Halaman DAFTAR GAMBAR .....................................................................................................................viii DAFTAR TABEL ..........................................................................................................................viii DAFTAR LAMPIRAN ..................................................................................................................viii PENDAHULUAN ............................................................................................................................ 1 Latar Belakang ............................................................................................................................ 1 Tujuan ......................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................ 1 TINJAUAN PUSTAKA ................................................................................................................... 1 Anthurium ................................................................................................................................... 1 Padi.............................................................................................................................................. 2 Representasi Citra Digital ........................................................................................................... 3 Tingkat Abu-abu (Grayscale) ..................................................................................................... 4 Ekstraksi Ciri (Feature Extraction) ............................................................................................. 4 Tekstur......................................................................................................................................... 4 Wavelet ....................................................................................................................................... 4 Transformasi Wavelet ................................................................................................................. 5 Wavelet Haar ............................................................................................................................... 5 Dekomposisi Haar ....................................................................................................................... 6 Klasifikasi K-Nearest Neighbors ................................................................................................. 6 METODE PENELITIAN .................................................................................................................. 7 Data Penelitian ............................................................................................................................ 7 Praproses ..................................................................................................................................... 7 Pembagian Data........................................................................................................................... 7 Ekstraksi Ciri Tekstur Penyakit ................................................................................................... 7 Algoritma Dekomposisi Wavelet ................................................................................................ 8 Algoritma Rekonstruksi Wavelet ................................................................................................ 8 Klasifikasi Menggunakan K-Nearest Neighbors ......................................................................... 8 Evaluasi Hasil Klasifikasi ........................................................................................................... 8 Lingkungan Pengembangan ........................................................................................................ 8 HASIL DAN PEMBAHASAN ......................................................................................................... 8 Ekstraksi Ciri Tekstur .................................................................................................................. 9 Dekomposisi Wavelet Haar ......................................................................................................... 9 Identifikasi Penyakit .................................................................................................................... 9 Hasil Pengujian Data Anthurium dengan Klasifikasi K-Nearest Neighbors ............................... 9 Hasil Pengujian Data Padi dengan Klasifikasi K-Nearest Neighbors ...................................... 10 Hasil Pengujian Data Anturium dan Padi dengan Klasifikasi K-Nearest Neighbors ............... 10 Perbandingan Ketiga Jenis Data Latih ...................................................................................... 11 KESIMPULAN DAN SARAN ....................................................................................................... 12 Kesimpulan ............................................................................................................................... 12 Saran.......................................................................................................................................... 12 DAFTAR PUSTAKA ..................................................................................................................... 12 LAMPIRAN .................................................................................................................................... 14
vii
DAFTAR GAMBAR Halaman 1 Tanaman Hias Anthurium. ............................................................................................................. 1 2 Bercak Coklat Pada Anthurium...................................................................................................... 2 3 Bercak Kuning Pada Anthurium. ................................................................................................... 2 4 Daun Keriting Pada Anthurium. .................................................................................................... 2 5 Penyakit Blast. ............................................................................................................................... 3 6 Penyakit Bercak Coklat. ................................................................................................................. 3 7 Penyakit Hawar Daun Bakteri. ....................................................................................................... 3 8 Penyakit Tungro. ............................................................................................................................ 3 9 Fungsi Koordinat Sebagai Representasi Citra Digital .................................................................... 4 10 Model Penyimpanan Piksel Pada Buffer Memori ........................................................................ 4 11 Operasi Pengubahan Citra 24 bit.................................................................................................. 4 12 (a) Wave (Gelombang), (b) Wavelet ............................................................................................ 5 13 (a) Struktur Piramid Level 1, (b) Dekomposisi Wavelet Haar. .................................................... 5 14 Fungsi Penskalaan Haar 𝜙𝜙(t)........................................................................................................ 6 15 Fungsi Penskalaan Haar 𝜑𝜑(t)........................................................................................................ 6 16 Dekomposisi Wavelet Haar 2D. ................................................................................................... 6 17 Bank Filter Haar. .......................................................................................................................... 6 18 Algoritma Piramida Mallat. ......................................................................................................... 6 19 Bank Filter Haar 8x8 Menggunakan Algoritma Piramida Mallat. ............................................... 6 20 Metodologi Penelitian .................................................................................................................. 7 21 Citra Dekomposisi level 2. ........................................................................................................... 9 22 Citra Dekomposisi Level 1........................................................................................................... 9 23 Citra Dekomposisi Level 2........................................................................................................... 9 24 Akurasi Pengenalan Setiap Kelas Anthurium .............................................................................. 9 25 Akurasi Pengenalan Anthurium. ................................................................................................ 10 26 Akurasi Setiap Kelas padi .......................................................................................................... 10 27 Akurasi Pengenalan Padi............................................................................................................ 10 28 Akurasi Pengenalan Tanaman Anthurium dan Padi ................................................................... 11 29 Grafik Rasio Pengenalan Anturium dengan Padi. ...................................................................... 11 30 Perbandingan Hasil Akurasi ....................................................................................................... 12
DAFTAR TABEL Halaman 1 Hasil Data Anthurium dengan K-NN ............................................................................................. 9 2 Hasil Data Padi dengan K-NN ..................................................................................................... 10 3 Hasil Data Tanaman Anthurium dan Padi dengan K-NN ............................................................ 11
DAFTAR LAMPIRAN Halaman 1Algoritma Dekomposisi dan Rekonstruksi Wavelet ..................................................................... 15 2 Contoh Citra Yang Digunakan Dalam Masing-masing Kelas...................................................... 16 3 Atar Muka Program ..................................................................................................................... 18 4 Tabel Confusion Matrik Penyakit Tanaman Anthurium dan Padi ............................................... 19 5 Tabel Hasil Pengujian Daun data Anthurium............................................................................... 20 6 Tabel Hasil Pengujian Data Padi.................................................................................................. 22 7 Tabel Hasil pengujian Daun data Anthurium dan Padi ................................................................ 24
viii
PENDAHULUAN
TINJAUAN PUSTAKA
Latar Belakang
Anthurium
Berbagai penyakit pada tanaman hias anthurium dan padi dapat merugikan petani khususnya dalam aspek ekonomis yang menyebabkan rendahnya kualitas produksi penjualan, sehingga mempengaruhi perekonomian dan kehidupan petani. Identifikasi penyakit pada daun yang cukup sulit dan kesalahan mendeteksi awal penyakit dapat menyebabkan kerusakan pada daun bahkan dapat membuat daun mati, oleh karena itu dibutuhkan sebuah alat bantu komputer untuk membantu penyelesain masalah tersebut.
Tanaman hias secara garis besar dibagi menjadi dua kelompok utama yaitu tanaman taman (landscaped plant) dan tanaman penghias rumah (house plant). Di antara jenis tanaman hias yang banyak diminati adalah anthurium. Anthurium merupakan tanaman asli dari daerah tropis yang telah menyebar ke seluruh penjuru dunia.
Penelitian tentang deteksi penyakit dalam perkembangannya sudah dilakukan untuk berbagai jenis penyakit pada manusia seperti diagnosi tumor tulang, jantung dan penyakit lainnya. Akan tetapi, penelitian tentang deteksi penyakit pada tanaman masih sedikit dilakukan. Penelitian sebelumnya tentang identifikasi daun berpenyakit dilakukan oleh Weizheng (2008) sedangkan untuk mendeteksi tepi pada daun dilakukan oleh Gu (2005). Penelitian Weizheng menerapkan metode Grading untuk menentukan penyakit pada daun berdasarkan pengolahan citra, sedangkan penelitian Gu (2005) melakukan pengelompokan jenis daun yang diperoleh dari kombinasi transformasi wavelet dan interpolasi gaussian. Penelitian ini melakukan identifikasi penyakit pada daun tanaman hias anthurium dan padi dengan menerapkan transformasi wavelet untuk ekstraksi ciri tekstur. Kemudian melakukan klasifikasi hasil ekstraksi tekstur yang telah didapat sebelumnya dengan menggunakan K-Nearest Neighbors (K-NN). Diharapkan identifikasi penyakit daun dengan metode K-NN akan meningkatkan akurasi klasifikasi, sehingga identifikasi yang dihasilkan dapat lebih akurat. Tujuan Penelitian bertujuan untuk membuat suatu desain dan implementasi sistem deteksi penyakit pada daun anthurium dan padi dengan masukan berupa citra digital. Ruang Lingkup Data penelitian diambil di Balai Penelitian Tanaman Hias Segunung, Cipanas Jawa Barat dengan munggunakan kamera digital. Data yang diambil adalah daun yang terkena penyakit, yang difokuskan pada tanaman hias anthurium dan padi.
Anthurium termasuk keluarga Araceae yang mempunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Tanaman berdaun indah ini masih berkerabat dengan sejumlah tanaman hias populer semacam aglaonema, philodendron, keladi hias, dan alokasia. Dalam keluarga Araceae, Anthurium adalah genus dengan jumlah jenis terbanyak. Diperkirakan ada sekitar 1.000 jenis anggota marga anthurium.
Gambar 1Tanaman Hias Anthurium. Anthurium merupakan salah satu tanaman hias dalam ruangan yang memiliki daya tarik tersendiri karena bentuk daun dan bunganya unik. Ada dua macam anthurium, yaitu anthurium daun dan anthurium bunga. Anthurium daun dinikmati karena keindahan daunnya sedangkan anthurium bunga karena keindahan bunganya (Fatihagriculture 2007). Tanaman anthurium memiliki dua macam bunga yaitu bunga jantan dan bunga betina. Bunga jantan ditandai oleh adanya benangsari, sedangkan bunga betina ditandai oleh adanya lendir. Biji diperoleh dengan menyilangkan bunga jantan dan bunga betina. Dengan menggunkan jentik, bunga sari diambil dan dioleskan sampai rata di bagian lendir pada bunga betina (Tabloidgallery 2007). Penyakit yang menyerang tanaman anthurium biasanya disebabkan oleh hama dan bakteri, berikut adalah beberapa penyakit yang dibahas pada penelitian ini:
1
1. Bercak Daun Pada tanaman hias anthurium, penyakit bercak daun harus diwaspadai dan biasanya sangat ditakuti oleh penghobi. Daun yang terkena penyakit ini tampak kekuning-kuningan dengan bercak-bercak berwarna coklat (Gambar 2). Bila dibiarkan, lama-lama bercak itu berubah sedikit kehitaman. Serangan itu disebabkan karena bakteri pseudomonas cichorii dan xanthomonas campestris. Kedua bakteri tersebut hadir melalui luka di daun. Penyakit itu dapat diatasi menggunakan bakterisida berbahan aktif mancozeb.
dengan larutan fungisida. Anakan yang muncul nantinya diharapkan akan menjadi tanaman yang sehat. 3. Daun Keriting Penyakit daun keriting sering dijumpai dalam anthurium. Ciri anthurium yang terserang menampakan gejala daun mengeriting (Gambar 4). Bila daun diraba terasa sedikit bergelombang, warna daun anthurium pun mengalami gradasi. Semakin ke arah pinggir daun tampak semakin hijau muda, kemungkinan penyakit tersebut dampak serangan virus atau mungkin anthurium tersebut tersebut kekurangan kalsium karena kalsium di dalam tubuh tanaman mempengaruhi kekerasan dinding sel.
Gambar 2 Bercak Coklat Pada Anthurium. 2. Bercak Kuning Bercak kuning sering menyerang anthurium dan telah menjadi penyakit yang menakutkan bagi pekebun dan penghobi. Anthurium yang terserang penyakit bercak kuning umumnya sulit disembuhkan, karena penyakit ini sangat cepat menyebar ke seluruh tanaman. Mula-mula muncul noktah kecil berwarna kuning pada daun yang semakin lama semakin lebar, hingga seluruh permukaan daun anthurium tertutup warna kuning (Gambar 3). Setelah satu daun terserang, maka daun-daun yang lain tinggal menunggu giliran, sampai semua kuning dan akhirnya tidak bisa diselamatkan.
Gambar 3 Bercak Kuning Pada Anthurium. Sampai saat ini masih belum diketahui secara pasti penyebab penyakit ini. Para petani menganggap penyakit ini bersifat multifactor seperti media terlalu lembab, aliran udara tidak lancar, komposisi media kurang tepat dan kelebihan pupuk kandang. Meski belum pasti disebabkan oleh jamur, tetapi pengendalian dengan menggunakan fungisida patut dicoba. Cara paling ekstrim yang bisa dilakukan adalah menggunduli semua daun tanaman yang terserang, lalu menyemprot
Gambar 4 Daun Keriting Pada Anthurium. Bila kekurangan kalsium dinding sel akan melemah. Solusinya adalah cukup dengan teratur menyiram, karena kemungkinan unsur kalsium yang sudah ada dalam media ataupun pupuk yang diberikan tidak larut sehingga sulit di serap tanaman. Padi Padi termasuk genus Oryza L yang meliputi lebih kurang 25 spesies, tersebar di daerah tropik dan daerah sub tropik seperti Asia, Afrika, Amerika dan Australia. Padi berasal dari dua benua Oryza fatua Koenigdan dan Oryza sativa L berasal dari benua Asia, sedangkan jenis padi lainya yaitu Oryza stapfii Roschev dan Oryza glaberima Steund berasal dari Afrika barat. Penyakit yang menyerang tanaman padi biasanya disebabkan oleh hama dan bakteri, berikut adalah beberapa penyakit yang dibahas pada penelitian ini: 1. Blas (leaf blast) Penyakit Blas (leaf blast) disebabkan oleh jamur pathogen Pyricularia Grisae (Gambar 5). Penyakit blas menimbulkan dua gejala khas, yaitu blas daun dan blas leher. Blas daun merupakan bercak coklat kehitaman, berbentuk belah ketupat, dengan pusat bercak berwarna putih, sedangkan blas leher berupa bercak coklat kehitaman pada pangkal leher yang dapat
2
mengakibatkan leher malai tidak mampu menopang malai dan patah. Untuk mengantisipasi perubahan ras blas yang sangat cepat dan dengan cara pemupukan NPK yang tepat (Syam et al. 2007). Gambar 7 Penyakit Hawar Daun Bakteri.
Gambar 5 Penyakit Blast.
Penyait dapat dikendalikan dengan pupuk NPK dalam dosis yang tepat. Bila memungkinkan, hindari penggenangan air yang terus-menerus, seperti 1 hari digenangi dan 3 hari dikeringkan (Syam et al. 2007).
2. Bercak coklat (brown spot)
4. Tungro
Penyakit bercak coklat dapat menyebabkan kematian tanaman muda dan menurunkan kualitas gabah. Penyakit bercak coklat disebabkan oleh jamur Helmintosporium oryzae pada pertanaman Bercak (Gambar 6).
Tungro merupakan salah satu penyakit penting pada padi sangat merusak. Gejala serangan tungro yang menonjol adalah perubahan warna daun dan tanaman tumbuh kerdil (Gambar 8). Warna daun tanaman sakit bervariasi dari sedikit menguning sampai jingga. Tingkat kekerdilan tanaman juga bervariasi dari sedikit kerdil sampai sangat kerdil. Gejala khas ini ditentukan oleh tingkat ketahanan varietas, kondisi lingkungan, dan fase tumbuh saat tanaman terinfeksi. Penyakit tungro ditularkan oleh wereng hijau.
Gambar 6 Penyakit Bercak Coklat. Gejala yang paling umum dari penyakit ini adalah bercak bewarna coklat, berbentuk oval sampai bulat yang berukuran sebesar biji wijen pada permukaan daun, pelepah atau pada gabah. penyakit ini dapat berkembang pada tanaman yang masih sangat muda. Penyakit dapat dikendalikan secara efektif dengan varietas tahan dan melalui pemupukan dengan 250 kg urea, 100 kg SP36, dan 100 kg KCI (Syam et al. 2007). 3. Hawar daun bakteri (bacterial leaf blight) Hawar Daun Bakteri (HDB) disebabkan oleh Xanthomonas Oryzae pv (Gambar 7). Penyakit HDB menghasilkan dua gejala khas, yaitu kresek dan hawar. Kresek adalah gejala yang terjadi pada tanaman berumur <30 hari (pesemaian atau yang baru dipindah). Daundaun berwarna hijau kelabu, melipat, dan menggulung. Sementara, hawar merupakan gejala yang paling umum dijumpai pada pertanaman yang telah mencapai fase tumbuh anakan sampai fase pemasakan.
Gambar 8 Penyakit Tungro. Penyakit tungro dapat dikendalikan melalui pergiliran varietas tahan yang memiliki tetua berbeda, pengaturan waktu tanam, sanitasi dengan menghilangkan sumber tanaman sakit, dan penekanan populasi wereng hijau dengan insektisida (Syam et al. 2007). Representasi Citra Digital Citra didefinisikan sebagai suatu fungsi dua dimensi f(x,y), dengan x, y merupakan koordinat spasial, dan f disebut sebagai kuantitas bilangan skalar positif yang memiliki maksud secara fisik ditentukan oleh sumber citra. Suatu citra digital yang diasumsikan dengan fungsi f(x,y) direpresentasikan dalam suatu fungsi koordinat berukuran M x N. Variabel M adalah baris dan N adalah kolom sebagaimana ditunjukkan pada Gambar 9.
3
Ekstraksi Ciri (Feature Extraction)
Gambar 9 Fungsi Koordinat Sebagai Representasi Citra Digital Setiap elemen dari array matriks disebut image element, picture element, pixel, atau pel (Gonzales 2004). Tingkat Abu-abu (Grayscale) Citra Grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain bagian red=green=blue. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih (Darma 2010). Proses Grayscale ini bertujuan untuk mengubah citra RGB menjadi citra abu-abu. Pemilihan pemrosesan pada tingkat abu-abu ini dipilih karena lebih sederhana, yaitu hanya menggunakan sedikit kombinasi warna dan dengan citra abu-abu dirasakan sudah cukup untuk memproses citra yang semula berupa RGB colour dengan tingkat abu-abu. Pengubahan citra RGB ke citra abu-abu YUV dengan mengambil komponen Y (luminance) dapat dilakukan dengan mengalikan komponen R, G, B dari nilai taraf intensitas tiap piksel RGB dengan konstanta (0.299R,0.587G,0.11B).
Gambar 10 Model Penyimpanan Piksel Pada Buffer Memori (Rivai 2005).
Ekstraksi ciri adalah proses mengambil ciriciri yang terdapat pada objek di dalam citra. Ekstraksi ciri diklasifikasikan ke dalam tiga tingkat yaitu low-level, middle-level, dan highlevel. Low-level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan ekstraksi tiap objek dalam citra dan mencari hubungannya, sedangkan high-level feature merupakan ekstraksi ciri berdasarkan informasi semantik yang terkandung dalam citra (Osadebey 2006). Ekstraksi ciri sangat bermanfaat untuk analisis dan proses citra selanjutnya. Ekstraksi ciri pada umumnya memanfaatkan komponen informasi pada citra yaitu berdasarkan warna, bentuk, dan tekstur. Tekstur Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi : keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan serta lingkungan dan kondisi pencahayaan (Darma 2010). Wavelet Wavelet adalah suatu teknik matematika yang bermanfaat untuk analisis numerik dan manipulasi dari 1 atau 2 dimensi sinyal. Transformasinya beroperasi seperti suatu mikroskop untuk menguji detail partisi sinyal ke dalam komponen frekuensi yang berbeda, lalu memetakan ke koefisien yang memiliki energi yang berbeda (Jones et al. 1999). Wavelet berbeda dengan wave (gelombang), wave adalah sebuah fungsi yang bergerak naik turun ruang dan waktu secara periodik (Gambar 12 a), sedangkan wavelet merupakan gelombang yang dibatasi atau terlokalisasi (Sripathi 2003) (Gambar 12 b). Dapat dikatakan sebagai gelombang pendek. Wavelet ini mengonsentrasikan energinya dalam ruang dan waktu sehingga cocok untuk menganalisis sinyal yang sifatnya sementara saja.
Gambar 11 Operasi Pengubahan Citra 24 bit.
4
wavelet yang menyimpan informasi penting untuk proses rekonstruksi.
Gambar 12 (a) Wave (gelombang), (b) Wavelet Transformasi Wavelet Wavelet merupakan sebuah basis, basis wavelet berasal dari sebuah fungsi penskalaan atau dikatakan juga sebuah scaling function. wavelet ini disebut dengan mother wavelet karena wavelet yang lainnya lahir dari hasil penskalaan, dilasi, dan pergeseran mother wavelet (Darma 2010). Fungsi penskalaan 𝜙𝜙 memiliki persamaan :
φ (t ) = 2∑ h0 (k )φ (2t − k )
Transformasi wavelet mempunyai kemampuan membawa keluar ciri khusus pada suatu gambar yang diproses. Pada transformasi wavelet, sebuah gambar didekomposisi menjadi subgambar pada frekuensi dan orientasi yang berbeda, yaitu low-low (LL), low-high (LH), high-low (HL), dan high-high (HH) (Gambar 13a).
(1)
k
H0 menyatakan koefisien penskalaan atau koefisien transformasi atau koefisien dari tapis (filter), sedangkan k menyatakan indeks dari koefisien penskalaan. Angka 0 pada h0 hanya menunjukkan jenis koefisien (tapis), yang menyatakan pasangan dari jenis koefisien lainnya. Pasangan tersebut didefinisikan dalam fungsi wavelet 𝜑𝜑berikut ini :
ϕ (t ) = 2∑ h1 (k )φ (2t − k ) k
(2)
H0 dan h1 adalah koefisien transformasi berpasangan. h0 disebut juga sebagai low pass sedangkan h1 disebut sebagai high pass. H0 berkaitan dengan proses perataan (averages) sedangkan h1 berkaitan dengan proses pengurangan (differences). Perataan dilakukan dengan menghitung nilai rata-rata dua pasang data dengan persamaan :
𝑝𝑝 =
𝑥𝑥+𝑦𝑦 2
sedangkan pengurangan persamaan :
𝑝𝑝 =
, dilakukan
(3) dengan
𝑥𝑥−𝑦𝑦 2
(4)
Koefisien-koefisian h0 dan h1 dapat ditulis sebagai berikut : ℎ0 = (ℎ0 (0), ℎ0 (1)) = �1�2 , 1�2 � yang berkaitan dengan persamaan (3), dan
ℎ1 = (ℎ1 (0), ℎ1 (1)) = �1�2 , − 1�2 � yang berkaitan dengan persamaan (4).
Dengan kata lain, h0 adalah koefisien penskalaan karena menghasilkan skala yang berbeda dari citra aslinya, sedangkan h1 adalah
Gambar 13 (a) Struktur Piramid Level 1, (b) Dekomposisi Wavelet Haar. Wavelet Haar Wavelet Haar adalah metode wavelet yang pertama kali diajukan oleh Alfred Haar pada tahun 1909. wavelet Haar merupakan metode wavelet yang paling sederhana dan mudah untuk diimplementasikan. Untuk mengekstrak ciri-ciri tekstur dengan transformasi Haar wavelet, dilakukan proses perataan (averages) untuk mendapatkan bagian dari gambar yang berfrekuensi rendah dan dilakukan proses pengurangan (differences) untuk mendapatkan bagian dari gambar yang berfrekuensi tinggi (Darma 2010). Koefisien ℎ0 = (ℎ0 (0), ℎ0 (1)) = �1�2 , 1�2 � (tapis low pass) dan ℎ1 = (ℎ1 (0), ℎ1 (1)) = �1�2 , − 1�2 � (tapis high pass) merupakan fungsi basis wavelet Haar. Dekomposisi (transformasi) perataan dan pengurangan sama halnya dengan melakukan dekomposisi citra dengan wavelet Haar. Kedua tapis tersebut bersifat ortogonal namun tidak ortonormal. Tapis Haar yang bersifat ortogonal dan juga ortonormal adalah : ℎ0 = �1� , 1� � √2 √2
ℎ1 = �1� , − 1� � √2 √2
(5) (6)
Fungsi penskalaan Haar diperoleh dari substitusi h0 ke dalam persamaan (1), sehingga dihasilkan persamaan sebagai berikut : 𝜙𝜙(𝑡𝑡) = 𝜙𝜙(2𝑡𝑡) + 𝜙𝜙(2𝑡𝑡 − 1)
(7)
5
Di mana : 𝜙𝜙(𝑡𝑡) = �
1 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑡𝑡 𝜖𝜖[0,1) 0 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙
fungsi penskalaan Gambar ditunjukkan pada Gambar 14.
Haar 𝜙𝜙(t)
Gambar 14 Fungsi Penskalaan Haar 𝜙𝜙(t)
Substitusi h1 ke dalam persamaan (2), akan menghasilkan : 𝜑𝜑(𝑡𝑡) = 𝜙𝜙(2𝑡𝑡) + 𝜙𝜙(2𝑡𝑡 − 1) ,
(8)
yang merupakan fungsi wavelet Haar di mana : 1 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑡𝑡 𝜖𝜖 [0,1/2) 𝜑𝜑(𝑡𝑡) = �−1 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑡𝑡 𝜖𝜖 [1/2,1) 0 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 fungsi penskalaan Gambar ditunjukkan pada Gambar 15.
Haar 𝜑𝜑(t)
Gambar 15 Fungsi Penskalaan Haar 𝜑𝜑(t)
Dekomposisi Haar
Proses dekomposisi Haar menerapkan bank filter dengan h0 = h1 = 1/√2 sebagai koefisien low-pass yang menghasilkan citra pendekatan, dan g0 = 1/√2, g1 = -1/√2 sebagai koefisien high-pass yang menghasilkan citra detil. Adapun bank filter Haar dapat dilihat pada Gambar 17.
Gambar 17 Bank filter Haar. Stephane Mallat memperkenalkan cara mudah untuk menghitung hasil dekomposisi dengan menggunakan algoritme piramida Mallat, algoritme tersebut dapat ditunjukkan pada Gambar 18 (Stollnitz et al. 1995). Mallat memberi nilai koefisien low-pass, h0 = h1 = 1/2 dan koefisien high-pass, g0 = 1/2, g1 = -1/2, sehingga bank filter Haar menjadi seperti yang ditunjukkan Gambai 19, variabel ai merupakan citra pendekatan, ci merupakan citra detil, dan si adalah himpunan bilangan yang akan di dekomposisi.
Gambar 18 Algoritme Piramida Mallat.
Proses dekomposisi sinyal dengan metode transformasi Haar wavelet ini bisa digunakan dalam transformasi citra dengan cara menerapkan dekomposisi wavelet secara 2D. Proses dekomposisi wavelet secara 2D dibentuk melalui 1D transformasi Haar wavelet. Wavelet 2D dapat dihitung dengan menerapkan sebuah transformasi 1D ke semua baris dari input citra (terhadap panjang citra/dimensi x), lalu mengulangnya pada semua kolom (terhadap lebar citra/dimensi). Seperti contoh pada Gambar 16 yang menunjukkan level pertama dari transformasi wavelet 2D, dengan notasi yang bersesuaian pada citra.
Gambar 19 Bank Filter Haar 8x8 Menggunakan Algoritme Piramida Mallat. Inti dari piramida Mallat untuk dekomposisi level 1 adalah nilai ai diperoleh dengan rumus si+si+1 , dan nilai ci diperoleh dengan 𝑎𝑎𝑎𝑎 = 2 rumus ci = si-ai. Si adalah piksel citra yang diambil perkolom Kemudian hasil dari dekomposisi kolom didekomposisi kembali perbaris. Klasifikasi K-Nearest Neighbors
Gambar 16 Dekomposisi Wavelet Haar 2D.
K-Nearest Neighbor merupakan salah satu metode yang digunakan dalam pengklasifikasian. Prinsip kerja K-Nearest Neighbor (K-NN) adalah mencari jarak terdekat
6
antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan menggunakan rumus euclidian (Clifford 2006). Jarak euclide merupakan salah satu dari pengukuran kemiripan yang sederhana. Hasil dari perhitungan euclide digunakan untuk menentukan kemiripan antara data latih dan data uji. Kecocokan dilihat dari nilai (jarak) yang paling minimum. Secara matematis, Jarak euclide antara dua titik pada bidang dirumuskan sebagai berikut :
Data Penelitian Data yang digunakan dalam penelitian berupa citra daun yang berpenyakit yang terdiri atas 700 citra berformat JPEG dan berukuran 200 x 150 piksel yang dikelompokkan ke dalam 7 kelas yang setiap kelasnya terdiri atas 100 citra, dari data citra terdiri atas 3 kelas penyakit anthurium yaitu bercak daun, bercak kuning dan daun keriting sedangkan 4 kelas penyakit padi yaitu leaf blast, brown spot, hawar daun dan tungro. Citra didapat dari Balai Penelitian Segunung Cipanas –Jawa Barat. Praproses
𝑑𝑑𝑖𝑖 = �∑𝑛𝑛𝑖𝑖=1(𝑋𝑋𝑖𝑖𝑖𝑖 − 𝑃𝑃𝑗𝑗 )2
Dengan : di Xij Pj n
(9)
= Jarak sampel = Data sampel pengettahuan = Data input var ke-j = Jumlah sampel.
METODE PENELITIAN Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu pengambilan data, praproses yang meliputi pemotongan citra yang terfokus pada penyakit, ekstraksi ciri tekstur pada citra daun, klasifikasi data dengan K-NN dan penghitungan tingkat akurasi. Tahap-tahap yang dilakukan pada penelitian ini diilustrasikan pada Gambar 20.
Grayscale digunakan untuk menyederhanakan model gambar. Pada awalnya gambar terdiri dari 3 layer matriks yaitu Rlayer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Untuk mengubah gambar berwarna yang mempunyai nilai matriks masing-masing R, G, dan B menjadi gambar Grayscale maka konversi dilakukan dengan pengubahan komposisi sebagai berikut: 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 = 𝛼𝛼𝛼𝛼 + 𝛽𝛽𝛽𝛽 + 𝛿𝛿𝛿𝛿
Mulai
Koleksi data Citra
Pelatihan
Pada tahap awal praproses, dilakukan pemotongan (cropping) citra untuk mendapatkan objek tanaman berpenyakit. Untuk citra yang akan diekstraksi dengan menggunakan wavelet Haar, mode warna citra diubah menjadi grayscale.
Pengujian Praproses
(10)
Dengan nilai α=0.299, β=0.587 dan δ=0.11, Fungsi dari format warna gray ini adalah untuk memudahkan proses selanjutnya karena apabila format gambar RGB digunakan maka nilai yang dihasilkan akan bervariasi. Pembagian Data
Data Latih
Data Uji
EkstraksiCiri Wavelet
EkstraksiCiri Wavelet
KlasifikasiKNN
Proses Pencocokan
Pembagian data dibagi menjadi dua bagian, yaitu data pelatihan dan pengujian dengan proprosi 80% untuk data latih dan 20% untuk data. Ekstraksi Ciri Tekstur Penyakit
Model IdentifikasiPenyakit
PerhitunganAkurasi
Proses ekstraksi tekstur pada penelitian ini menggunakan transformasi wavelet Haar pada level 2, sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna Grayscale. Ekstraksi ciri dilakukan untuk menentukan nilai vektor yang digunakan sebagai penciri dengan dimensi yang lebih kecil.
Selesai
Gambar 20 Metodologi Penelitian
7
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang dikompresi merupakan citra dengan nilai ruang warna dasar R=G=B, maka warna dasar akan sama dengan citra awal (Grayscale), dengan nilai pixel berkisar pada 0-255. Bila input citra adalah citra berwarna (nilai R, G, dan B berbeda), maka terlebih dahulu dilakukan proses transformasi ke citra Grayscale. 2 Pada citra Grayscale kemudian dilakukan proses transformasi gelombang yang akan menghasilkan empat komponen matriks yaitu komponen diagonal (CD1), komponen horizontal (CH1), komponen vertical (CV1), dan komponen aproksimasi (CA1) Komponen aproksimasi disimpan ke media penyimpanan agar komponen ini tidak berubah. 3 Pada komponen-komponen hasil transformasi (selain komponen aproksimasi) dilakukan proses kuantisasi. Tujuan proses kuantisasi ini adalah untuk mengurangi jumlah variasi (redundansi) data pada komponen-komponen hasil transformasi selain komponen aproksimasi. 4 Proses terakhir adalah proses pengkodean (kompresi) terhadap komponen-komponen hasil kuantisasi. Hasil pengkodean bersama dengan komponen aproksimasi disimpan sebagai suatu file yang terkompresi. Algoritma Rekonstruksi Wavelet Rekonstruksi wavelet Haar dapat dijelaskan sebagai berikut : 1 Membaca data atau file terkompresi gelombang singkat. 2 Melakukan proses decoding dan dilanjutkan proses kuantisasi balik (de-quantization) untuk mengembalikan data yang sebelumnya dikuantisasi saat proses kompresi. Proses ini akan memperoleh kembali komponen-komponen detail, horizontal, dan vertikal. 3 Menggabungkan seluruh komponen hasil tahap 2 dengan komponen aproksimasi. 4 Melakukan transformasi gelombang singkat balik (invers Wavelet transformation) terhadap komponen-komponen hasil tahap 3. 5 Proses terakhir adalah melakukan proses transformasi linear balik untuk
menghasilkan ruang warna sesuai dengan citra semula sehingga diperoleh kembali citra semula dengan sifat lossy. Klasifikasi Neighbors
Menggunakan
K-Nearest
Setelah melakukan transformasi wavelet kemudian citra aproximasi yang dihasilkan dari transformasi wavelet level 2 direkonstruksi ke citra semula, kemudian citra tersebut akan diklasifikasikan menggunakan K-Nearest Neighbors (K-NN). Konsep dasar dari K-NN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga terdekatnya dalam data pelatihan. Berikut adalah algoritme dari K-NN (Song et al. 2007) : 1 Menentukan nilai K. 2 Menghitung jarak data pada setiap data training dengan eucledian. 3 Mendapatkan K data yang memiliki jarak terdekat. Evaluasi Hasil Klasifikasi Kinerja Model K-NN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Akurasi dapat dihitung dengan persamaan berikut : Akurasi =
∑ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 ∑ 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢
× 100%
(11)
Lingkungan Pengembangan Sistem ini dikembangkan dan diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut : 1 Perangkat Keras : • Intel®coretm 2Duo @ 1.5 GHz (2 CPUs), • Memori 2 GB, • Hard Disk kapasitas 160 GB. 2 Perangkat Lunak : • Windows 7 sebagai sistem operasi, • Matlab 7.7 • Photoshop CS 3 HASIL DAN PEMBAHASAN Penelitian ini mengimplementasikan transformasi wavelet Haar level dua. Hasil dari citra aproximasi transformasi level dua direkontruksi ke citra semula. Citra yang digunakan pada penelitian ini adalah citra dari daun anthurium dan padi dengan tujuh kelas citra, dimana tiap-tiap kelas memiliki 100 buah citra dengan format yang sama yaitu JPEG.
8
Ekstraksi Ciri Tekstur Hasil dari ekstraksi ciri tekstur untuk seluruh citra yang ada di data training adalah sebuah matriks berukuran 560 × 30.000, karena terdapat 560 buah citra di data training, sedangkan dalam data testing terdapat sebuah matriks berukuran 140 x 30.000 dan setiap citra direpresentasikan dengan sebuah vektor yang memiliki elemen sebanyak 1 x 30.000. Dekomposisi Wavelet Haar Pada percobaan ini diterapkan praproses menggunakan dekomposisi wavelet Haar. Data yang digunakan mengalami proses dekomposisi hingga level dua (Gambar 21). Citra hasil dekomposisi yang digunakan pada proses pengenalan penyakit adalah citra aproximasi level dua. Contoh citra untuk tiap level dekomposisi dapat dilihat pada Gambar 22 dan Gambar 23.
dan data anthurium dengan padi. Dalam setiap percobaan perbandingan data latih dan data uji sebesar 80% dan 20%. Semua data latih dan uji melalui tahap dekomposisi wavelet Haar level 2, setelah itu data latih diklasifikasikan sesuai dengan kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan klasifikasi K-NN. Hasil Pengujian Data Anthurium dengan Klasifikasi K-Nearest Neighbors Metode klasifikasi yang digunakan adalah K-NN. Citra latih anthurium yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri wavelet Haar dan klasifikasi KNN dapat dilihat pada Tabel 1 dan Gambar 24. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 75%. Tabel 1 Hasil Data Anthurium dengan K-NN Kelas
K-NN
k=2 k=3 k=4 k=5 k=6 k=7
Gambar 21 Citra Dekomposisi level 2.
∑ Sample
BK 13 18 12 14 12 12 20
∑ Benar BD 16 13 14 12 12 12
DK 16 19 18 19 19 19
20
20
𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱𝑱 45 50 44 45 43 43
60
Dengan : BK = Bercak Kuning BD = Bercak Daun DK = Daun Keriting Gambar 22 Citra Dekomposisi Level 1.
Grafik akurasi pengenalan anthurium dari klasifikasi K-NN setiap kelas tanaman anthurium ditunjukkan pada Gambar 24. 100%
Gambar 23 Citra Dekomposisi Level 2. Penelitian ini melibatkan proses ekstraksi ciri terhadap data citra penyakit yang akan dideteksi, yang menghasilkan pola ciri citra penyakit. Ekstraksi citra menggunakan wavelet Haar. Setelah dilakukan proses alihragam berulang kali, menunjukkan wavelet Haar level 2 yang paling baik. Sehingga untuk ekstraksi ciri pada penelitian ini digunakan wavelet Haar level 2.
Identifikasi Penyakit Penelitian ini dilakukan dengan tiga data latih yaitu, data latih anthurium, data latih padi,
Akurasi
80% 60%
BK
40%
BD
20%
DK
0% K=2 K=3 K=4 K=5 K=6 K=7
K Tetangga
Gambar 24 Akurasi Pengenalan Setiap Kelas Anthurium Grafik akurasi pengenalan citra anthurium dengan klasifikasi K-NN, ditunjukkan pada Gambar 25.
9
80%
80%
60%
60%
Akurasi
100%
Akurasi
100%
40%
20%
0%
0% K=3
K=4
K=5
K=6
LE
40%
20%
K=2
SP
TR HD K=2
K=7
K=3
K=4
K=5
K=6
K=7
K Tetangga
K Tetangga
Gambar 25 Akurasi Pengenalan Anthurium.
Gambar 26 Akurasi Setiap Kelas padi
Berdasarkan pada Gambar 25 diperoleh akurasi pengenalan data anthurium untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 75%, 83%, 73%, 75%, 71%, dan 71%. Terlihat bahwa K=3 untuk K tetangga terdekat memperoleh akurasi terbesar mencapai 83%, dengan akurasi penyakit bercak daun 65%, bercak kuning 90%, dan daun keriting 95%.
Grafik akurasi pengenalan citra padi dengan klasifikasi K-NN, ditunjukkan pada Gambar 25.
Hasil Pengujian Data Padi Klasifikasi K-Nearest Neighbors
dengan
Tabel 2 Hasil Data Padi dengan K-NN
K-NN
k=2 k=3 k=4 k=5 k=6 k=7 ∑ Sample
dengan : SP LE TR HD
SP 20 20 20 20 20 20 20
= = = =
∑ Benar
LE 15 13 12 12 12 12 20
TR 18 16 19 17 17 16 20
HD 11 14 12 14 13 13 20
Akurasi
80% 60% 40% 20% 0%
Metode klasifikasi yang digunakan adalah K-NN. Citra latih padi yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri wavelet Haar dan klasifikasi K-NN dapat dilihat pada Tabel 2 dan Gambar 26. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 79%.
Kelas
100%
Jumlah 64 63 63 63 62 61 60
Brown Spot Leaf Blast Tungro Hawar Daun.
Grafik akurasi pengenalan anthurium dari klasifikasi K-NN setiap kelas tanaman anthurium ditunjukkan pada Gambar 26.
K=2
K=3
K=4
K=5
K=6
K=7
K Tetangga
Gambar 27 Akurasi Pengenalan Padi Berdasarkan pada Gambar 27 diperoleh akurasi pengenalan data padi untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 80%, 78.75%, 78.75%, 80%, 77.5%, dan 76.25%. Terlihat bahwa K=2 dan K=5 untuk tetangga terdekat memperoleh akurasi terbesar mencapai 80%, dengan akurasi penyakit Brown Spot 100%, Leaf Blast 75%, Tungro 90%, dan Hawar daun 55% pada K=2, sedangkan akurasi penyakit pada K=5 Brown Spot 100%, Leaf Blast 60%, Tungro 85%, dan Hawar daun 70%. Hasil Pengujian Data Anturium dan Padi dengan Klasifikasi K-Nearest Neighbors Metode klasifikasi yang digunakan adalah K-NN. Citra latih tanaman anthurium dan padi yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri Wavelet Haar dan klasifikasi K-NN dapat dilihat pada Tabel 3 dan Gambar 28. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 71%.
10
Tabel 3 Hasil Data Tanaman Anthurium dan Padi dengan K-NN
BK
BD
DK
∑ Benar SP
LE
TR
HD
k=2 k=3 k=4 k=5 k=6 k=7
13 15 16 12 14 12
16 13 13 13 13 12
14 15 16 17 16 16
19 19 19 20 20 20
10 11 11 11 13 9
14 13 18 15 15 13
13 13 10 12 12 13
99 99 103 100 103 95
∑ Sample
20
20
20
20
20
20
20
140
K-NN
Kelas
Jumlah
100% BK
Akurasi
80%
BD
60%
DK SP
40%
LE
20%
TR
0%
HD K=2
K=3
K=4
K=5
K Tetangga
K=6
K=7
Gambar 28 Akurasi pengenalan Tanaman Anthurium dan Padi Grafik akurasi kebenaran dari klasifikasi KNN tanaman anthurium dan padi, yaitu seperti yang ditunjukkan pada Gambar 25. 100%
Blast 55%, Tungro 90%, dan Hawar daun 50%. Terliahat pada hasil pengenalan tersebut dengan K tetangga terdekat K=4 Untuk penyakit Leaf Blast dan tungro memiliki akurasi yang cukup rendah yaitu di bawah 60% sehingga sangat mempengaruhi hasil akhir dari akurasi.
80%
Akurasi
Perbandingan Ketiga Jenis Data Latih 60% 40% 20% 0% K=2
K=3
K=4
K=5
K=6
K=7
K Tetangga Gambar 29 Grafik Rasio Pengenalan Anturium dengan Padi. Berdasarkan pada Gambar 29 diperoleh akurasi pengenalan data tanaman anthurium dan padi untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 70%, 71.4%, 72.8%, 71.4%, 71.4%, dan 68.5%. Terlihat bahwa K=4 untuk K tetangga terdekat memperoleh akurasi terbesar mencapai 72.8%, dengan akurasi penyakit bercak daun 80%, bercak kuning 65%, daun keriting 80%, Brown Spot 95%, Leaf
Dari ketiga jenis data latih yaitu, data latih anthurium, data latih padi, dan data anthurium dengan padi secara garis besar menyatakan hasil akurasi identifikasi penyakit menggunakan wavelet dan klasifikasi K-Nearest Neighbors bahwa data latih menggunakan anthurium lebih baik dibandingkan dengan data latih padi maupun data latih anthurium dengan padi, hal ini dikarenakan citra uji di luar citra latih tergantung pada jarak terdekat dan jumlah anggota kelas yang terbanyak pada basis data. Berdasarkan Gambar 30 terlihat bahwa hasil akurasi dengan wavelet dengan klaifikasi KNearest Neighbors memiliki akurasi yang cukup baik dengan data latih anthurium, padi dan gabungan anthurium dan padi yang mencapai akurasi lebih dari 70%.
11
100%
83%
80%
Akurasi
80%
72.80%
60% 40%
1 Basis wavelet yang digunakan pada penelitian hanya wavelet Haar. Pengembangan selanjutnya dapat dilakukan perbandingan dengan basis wavelet yang lain seperti Coiflets, Symlets, Biortogona, dan Daubechies. 2 Menambahkan jumlah data citra yang lebih banyak dengan berbagai variasi tanaman sebagai koleksi data untuk data training.
20% 0% Anthurium
Padi
Tanaman
Anthurium & Padi
Gambar 30 Perbandingan Hasil Akurasi Pada klasifikasi K-Nearest Neighbors dengan data uji anthurium, padi, dan gabungan antara anthurium dengan padi semakin besar nilai k yang diambil, maka semakin besar pula kesalahan klasifikasi yang terjadi. Hal ini dikarenakan semakin besar nilai k, maka daerah batas keputusan juga semakin lebar. Semakin lebar daerah batas keputusan, maka kemungkinan terjadi kesalahan semakin tinggi.
KESIMPULAN DAN SARAN Kesimpulan Berdasarkan penelitian yang telah dilakukan mulai dari tahap perancangan hingga pengujian yang dilakukan pada sistem pengolahan citra untuk mendeteksi penyakit pada daun anthurium dan padi, maka dapat diambil kesimpulan sebagai berikut : 1 Rancangan sistem identifikasi penyakit padi dan anthurium menggunakan wavelet dengan klasifikasi K-Nearest Neighbors (KNN) bekerja dengan baik walaupun terjadi beberapa kesalahan dalam pengenalan. 2 Akurasi pengenalan citra penyakit anthurium dan padi dengan menggunakan K-Nearest Neighbors menghasilkan tingkat keakurasian sebesar 72.8%. 3 Proses dekomposisi wavelet Haar penghitungannya sederhana, sehingga mudah dimengerti, karena kesederhanaannya ini juga waktu komputasi menjadi lebih cepat. Kesederhanaan dan kemudahan dalam proses penghitungan itulah yang menjadi keunggulan dari induk wavelet Haar. Saran Pengembangan yang dapat dilakukan pada penelitian ini antara lain :
3 Perlu dilakukan penelitian untuk perbandingan hasil klasifikasi dengan menggunakan metode klasifikasi yang lain.
DAFTAR PUSTAKA Clifford John. 2006. Euclidean Distance Matrix. http://www.stanford.edu/~dattorro/ (Akses : 14 desember 2010). Fatihagriculture. 2007. Budidaya Anthurium. http://fatihagricultureblora.com (Akses : 15 Januari 2010). Gonzalez RC et al. 2004. Digital Image Processing Using Matlab. New Jersey : Pearson Prentice Hall. Gu Xiao et al. 2005. Leaf Recognition Based on The Combination of Wavelet Transform and Coussian Interpolation. China: Department of Automation, University of Science and Technology. Haryanti Rivai. 2005. Pengenalan ciri-ciri tekstur kecacatan kain sutera dengan menggunakan metode gaussian markov random field dengan klasifikasi SOM Kohonen, ITS, Surabaya. Jones C.L et al. 1999. Wavelet packet Computation of the Hurst Exponent. Swinburne University of Technology, Australia. Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea: Department of Applied Physics and Electronics, Umea Univercity. Putra Darma. 2010, Pengenalan Citra Digital. Yogyakarta : C.V Andi Offset. Song Y et al. 2007, “IKNN: Informative KNearest Neighbor Pattern Classification”, pringer-Verlag Berlin Heidelberg. Stollnitz Eric J et al. 1995. Wavelet for Computer Graphics: A Primer Part 2. University of Washington. http://grail.cs.washington.edu/projects/wave
12
let/article/wavelet1.pdf (Akses 14 Desember 2010). Syam M et al. 2007. Masalah Lapang Hama Penyakit Hara pada Padi. Pusat Penelitian dan Pengembangan Tanaman Pangan (3). Bogor: Puslitbang Pertanian Tanaman Pangan. Sripathi Deepika. 2003. Efficient Implementations of Discrete Wavelet Transform using FPGAs. Florida State University. Tabloidgallery. 2007. Budidaya Tanaman Anthurium. http://tabloidgallery.wordpress.com (Akses : 15 Januari 2010). Weizheng Shen et al. 2008. Grading Method of Leaf Spot Disease Based on Image Processing. China : Northeast Agricultural
University.
13
LAMPIRAN
14
Lampiran 1Algoritma dekomposisi dan Rekonstruksi Wavelet
Dekomposisi Wavelet
Rekonstroksi Wavelet
15
Lampiran 2 Contoh citra yang digunakan dalam dalam masing-masing kelas 1. Kelas Bercak Kuning
2. Kelas Becak Daun
3. Kelas daun Keriting
4. Kelas Brown Spot
16
5. Kelas Leaf Blast
6. Kelas Hawar daun
7. Kelas Tungro
17
Lampiran 3 Atar muka program
18
Lampiran 4 Tabel confusion Matriks Penyakit Tanaman Anthurium dan Padi Data Bercak Daun Becak Kuning Daun Keriting Brown Spot Leat Blast Tungro Hawar Daun
Bercak Daun 13
Bercak Kuning 4
Daun Keriting 1
Brown Spot 0
Leaf Blast 0
2
Hawar Daun 0
3
16
0
0
0
1
0
1
1
16
0
0
2
0
1
0
0
19
0
0
0
2
2
0
4
11
0
1
0
1
0
0
0
18
1
2
3
1
1
0
3
10
Tungro
19
Lampiran 5 Tabel hasil Pengujian Daun data Anthurium
Bercak Daun 1
K=2 Bercak Daun
K=3 Bercak Daun
Hasil Klasifikasi K-NN K=4 K=5 Bercak Daun Bercak Daun
K=6 Bercak Daun
K=7 Bercak Daun
Bercak Daun 2
Bercak Daun
Bercak Daun
Bercak Daun
BercakKuning
BercakKuning
BercakKuning
Bercak Daun 3
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Citra Uji
Bercak Daun 4
Bercak Daun
BercakKuning
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Bercak Daun 5
DaunKeriting
BercakKuning
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Bercak Daun 6
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 7
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 8
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 9
Bercak Daun
DaunKeriting
Bercak Daun
DaunKeriting
DaunKeriting
DaunKeriting
Bercak Daun 10
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 11
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 12
BercakKuning
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Bercak Daun 13
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 14
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 15
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 16
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Bercak Daun 17
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun 18
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Daun 19
Bercak Daun
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Daun 20
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Kuning 1
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 2
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 3
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 4
Bercak Daun
BercakKuning
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Kuning 5
Bercak Daun
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 6
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Kuning 7
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 8
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 9
BercakKuning
BercakKuning
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Kuning 10
Bercak Daun
BercakKuning
Bercak Daun
BercakKuning
Bercak Daun
Bercak Daun
Bercak Kuning 11
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 12
BercakKuning
BercakKuning
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Kuning 13
Bercak Daun
BercakKuning
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Kuning 14
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 15
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Kuning 16
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 17
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 18
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 19
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 20
Bercak Daun
BercakKuning
Bercak Daun
BercakKuning
Bercak Daun
Bercak Daun
Daun Keriting 1
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 2
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 3
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
Bercak Daun
20
Hasil Klasifikasi K-NN K=4 K=5 DaunKeriting DaunKeriting
K=6 DaunKeriting
K=7 DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 9
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 10
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 11
BercakKuning
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Citra Uji
K=2 DaunKeriting
K=3 DaunKeriting
Daun Keriting 5
DaunKeriting
Daun Keriting 6
DaunKeriting
Daun Keriting 7 Daun Keriting 8
Daun Keriting 4
Daun Keriting 12
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 13
BercakKuning
DaunKeriting
BercakKuning
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 14
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 15
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 16
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 17
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 18
Bercak Daun
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 19
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 20
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
21
Lampiran 6 Tabel hasil pengujian data Padi
Brown Spot 1
K=2 BrownSpot
K=3 BrownSpot
Hasil Klasifikasi K-NN K=4 K=5 BrownSpot BrownSpot
K=6 BrownSpot
K=7 BrownSpot
Brown Spot 2
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 3
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 4
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 5
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 6
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 7
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 8
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 9
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 10
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 11
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 12
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 13
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 14
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 15
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 16
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 17
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 18
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 19
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 20
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 1
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 2
LeafBlast
Tungro
Tungro
Tungro
Tungro
Tungro
Leaf Blast 3
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 4
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 5
LeafBlast
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Leaf Blast 6
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 7
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Leaf Blast 8
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 9
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 10
BrownSpot
LeafBlast
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 11
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 12
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 13
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 14
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 15
LeafBlast
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 16
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Citra Uji
Leaf Blast 17
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 18
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 19
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 20
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Tungro 1
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 2
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 3
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
22
Tungro 4
K=2 Tungro
K=3 Tungro
Hasil Klasifikasi K-NN K=4 K=5 Tungro Tungro
K=6 Tungro
K=7 Tungro
Tungro 5
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 6
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 7
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 8
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 9
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 10
Tungro
HawarDaun
Tungro
Tungro
Tungro
Tungro
Tungro 11
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 12
Tungro
Tungro
Tungro
Tungro
Tungro
BrownSpot
Tungro 13
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 14
Tungro
Tungro
Tungro
HawarDaun
HawarDaun
HawarDaun
Tungro 15
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 16
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 17
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 18
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Tungro 19
Tungro
HawarDaun
Tungro
HawarDaun
HawarDaun
HawarDaun
Tungro 20
HawarDaun
HawarDaun
Tungro
Tungro
Tungro
Tungro
Hawar Daun 1
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Hawar Daun 2
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 3
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 4
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Hawar Daun 5
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Citra Uji
Hawar Daun 6
LeafBlast
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 7
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 8
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 9
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 10
Tungro
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 11
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 12
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 13
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 14
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 15
Tungro
LeafBlast
Tungro
Tungro
Tungro
Tungro
Hawar Daun 16
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Hawar Daun 17
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Hawar Daun 18
Tungro
HawarDaun
Tungro
HawarDaun
Tungro
Tungro
Hawar Daun 19
HawarDaun
HawarDaun
Tungro
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 20
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
23
Lampiran 7 Tabel hasil pengujian Daun data Anthurium dan Padi
Bercak Daun 1
K=2 BercakDaun
K=3 BercakDaun
Hasil Klasifikasi K-NN K=4 K=5 BercakDaun BercakDaun
K=6 BercakDaun
K=7 BercakDaun
Bercak Daun 2
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 3
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 4
BercakDaun
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Daun 5
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Bercak Daun 6
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 7
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Citra Uji
Bercak Daun 8
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 9
BercakKuning
BercakKuning
Tungro
Tungro
Tungro
Tungro
Bercak Daun 10
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 11
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 12
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Daun 13
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BrownSpot
Bercak Daun 14
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 15
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 16
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Bercak Daun 17
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Daun 18
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Daun 19
BercakDaun
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Daun 20
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Kuning 1
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 2
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 3
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 4
BercakDaun
BercakDaun
BercakDaun
Tungro
BercakKuning
BercakKuning
Bercak Kuning 5
BercakDaun
BercakDaun
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 6
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Kuning 7
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 8
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 9
BercakKuning
BercakKuning
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Bercak Kuning 10
BercakDaun
BercakKuning
BercakKuning
BercakDaun
BercakKuning
BercakDaun
Bercak Kuning 11
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 12
BercakKuning
BercakKuning
BercakKuning
BercakDaun
BercakDaun
BercakDaun
Bercak Kuning 13
BercakDaun
BercakKuning
BercakKuning
BercakKuning
BercakDaun
BercakDaun
Bercak Kuning 14
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 15
BercakDaun
Tungro
Tungro
Tungro
Tungro
Tungro
Bercak Kuning 16
BercakKuning
BercakKuning
BercakKuning
HawarDaun
HawarDaun
HawarDaun
Bercak Kuning 17
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 18
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 19
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Bercak Kuning 20
BercakDaun
BercakDaun
BercakKuning
BercakDaun
BercakKuning
BercakDaun
Daun Keriting 1
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 2
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 3
BercakKuning
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
24
Daun Keriting 4
K=2 DaunKeriting
K=3 DaunKeriting
Hasil Klasifikasi K-NN K=4 K=5 DaunKeriting DaunKeriting
K=6 DaunKeriting
K=7 DaunKeriting
Daun Keriting 5
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 6
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 7
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Tungro
Tungro
Daun Keriting 8
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Citra Uji
Daun Keriting 9
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Daun Keriting 10
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 11
BercakKuning
BercakKuning
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 12
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Daun Keriting 13
BercakKuning
DaunKeriting
BercakKuning
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 14
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 15
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 16
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 17
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 18
BercakDaun
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 19
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Daun Keriting 20
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Brown Spot 1
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 2
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 3
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 4
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 5
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 6
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 7
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 8
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 9
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 10
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 11
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 12
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 13
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 14
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 15
BercakDaun
BercakDaun
BercakDaun
BrownSpot
BrownSpot
BrownSpot
Brown Spot 16
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 17
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 18
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 19
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Brown Spot 20
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 1
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 2
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
Leaf Blast 3
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 4
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 5
LeafBlast
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Leaf Blast 6
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 7
BercakKuning
BercakKuning
BercakKuning
Tungro
Tungro
Tungro
Leaf Blast 8
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
25
Leaf Blast 9
K=2 BercakDaun
K=3 BercakDaun
Hasil Klasifikasi K-NN K=4 K=5 BercakDaun BercakDaun
K=6 BercakDaun
K=7 BercakDaun
Leaf Blast 10
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
BercakDaun
Leaf Blast 11
BercakDaun
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 12
BercakDaun
LeafBlast
LeafBlast
LeafBlast
BercakDaun
BercakDaun
Leaf Blast 13
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 14
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
Leaf Blast 15
LeafBlast
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Leaf Blast 16
BercakDaun
LeafBlast
LeafBlast
LeafBlast
LeafBlast
BercakDaun
Leaf Blast 17
BercakKuning
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast 18
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Citra Uji
LeafBlast 19
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast
LeafBlast 20
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Tungro 1
Bercakkuning
Bercakkuning
Bercakkuning
Bercakkuning
Bercakkuning
Tungro
Tungro 2
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 3
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 4
Bercakkuning
Tungro
Tungro
Tungro
Tungro
BercakDaun
Tungro 5
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 6
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 7
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 8
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 9
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 10
Tungro
HawarDaun
Tungro
Tungro
Tungro
Tungro
Tungro 11
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 12
Tungro
Tungro
Tungro
Tungro
Tungro
BrownSpot
Tungro 13
Bercakkuning
Bercakkuning
Tungro
Bercakkuning
Bercakkuning
Bercakkuning
Tungro 14
Tungro
Tungro
Bercakkuning
Bercakkuning
Bercakkuning
DaunKeriting
Tungro 15
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 16
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro 17
Bercakkuning
Bercakkuning
Tungro
Bercakkuning
Bercakkuning
Bercakkuning
Tungro 18
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Tungro 19
Tungro
HawarDaun
Tungro
HawarDaun
HawarDaun
HawarDaun
Tungro 20
HawarDaun
HawarDaun
Tungro
Tungro
Tungro
Tungro
Hawar Daun 1
Tungro
Tungro
Tungro
Tungro
Tungro
Tungro
Hawar Daun 2
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 3
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun4
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
BrownSpot
Hawar Daun 5
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
DaunKeriting
Tungro
Hawar Daun 6
LeafBlast
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 7
HawarDaun
HawarDaun
BercakKuning
BercakKuning
HawarDaun
HawarDaun
Hawar Daun 8
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 9
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 10
Tungro
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 11
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 12
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
Hawar Daun 13
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
HawarDaun
26
Citra Uji
Hasil Klasifikasi K-NN K=4 K=5 HawarDaun HawarDaun
Hawar Daun 14
K=2 HawarDaun
K=3 HawarDaun
K=6 HawarDaun
K=7 HawarDaun
Hawar Daun 15
BercakKuning
BercakKuning
BercakCoklat
Hawar Daun 16
Tungro
Tungro
Tungro
BercakCoklat
Tungro
BercakCoklat
Tungro
Tungro
Tungro
Hawar Daun 17
Tungro
Tungro
Hawar Daun 18
Tungro
BercakCoklat
Tungro
Tungro
Tungro
Tungro
BercakCoklat
HawarDaun
Tungro
HawarDaun
Hawar Daun 19
BercakKuning
HawarDaun
Hawar Daun 20
HawarDaun
HawarDaun
BercakKuning
BercakKuning
BercakKuning
BercakKuning
BercakKuning
HawarDaun
HawarDaun
HawarDaun
27
