IV. HASIL DAN PEMBAHASAN

IV. HASIL DAN PEMBAHASAN

A.

Keberagaman Tingkat Warna Daun Padi

Dosis pemupukan dilakukan dengan memberikan dosis yang berbeda-beda. Hal ini bertujuan untuk membangkitkan keberagaman tingkat warna daun di setiap lahan perlakuan, di lahan Bogor, di lahan Karawang, maupun di lahan Cianjur. Tingkat warna daun padi yang dihasilkan dengan perlakuan taraf pemupukan yang beragam, ada 5 tingkat warna daun, yaitu tingkat 2, tingkat 2.5, tingkat 3, tingkat 3.5, dan tingkat 4. Warna setiap tingkat mengacu terhadap warna pada bagan warna daun standar 4 tingkat yang dikeluarkan oleh IRRI. Tampak bahwa secara umum perlakuan taraf pemupukan berpengaruh pada tingkat warna daun padi. Perlakuan dosis pemupukan yang beragam sudah berhasil menghasilkan berbagai tingkat warna daun untuk keperluan analisis pengolahan citra. Petakan perlukan diberikan dosis yang beragam mengahasilkan beragam tingkat kehijauan daun padi. Warna daun padi dalam petakan menghasilkan tingkat warna daun yang berbeda dari warna kekuningan sampai hijau tua. Secara umum, pemberian dosis pupuk N dosis tinggi cenderung menghasilkan warna daun hijau tua, sedangkan untuk perlakuan pemberian pupuk N yang sedikit menghasilkan warna yang hijau kekuningan. Tingkat warna daun 2, 3, 4, ditemukan dilapangan, namun untuk tingkat warna daun 5 belum ditemukan dilapangan, hal ini disebabkan oleh pemupukan yang kurang intensif di lahan perlakuan. Menghasilkan tingkat warna daun 5 harus dibangkitkan dengan pemupukan yang intensif. Tingkat warna daun 4.5 ditemukan setelah penambahan pupuk organik ke dalam beberapa petakan perlakuan. Dosis pupuk penggunaan urea 150 kg/ha dan phonska 300kg/ha menghasilkan tingkat warna daun 3 sampai 4, sebaliknya dosis pupuk urea 50 kg/ha dan phonska 150 kg/ha menghasilkan tingkat warna daun 2 dan 2.5. Manfaat nitrogen bagi pertumbuhan tanaman padi membuat tanaman lebih hijau segar dan banyak mengandung butir hijau daun (chlorophyl). Hasil tingkat warna daun hijau tua disebabakan oleh pemberian N yang banyak. Kekurangan unsur hara nitrogen mengakibatkan daun tanaman pucat kekuning-kuningan. Pengukuran tingkat keberagaman daun padi di lakukan di setiap petakan percobaan, di lahan Leuweungkolot, Cianjur dan Karawang. Pengkuran tingkat warna daun dilakukan dengan pengambilan sampel dari setiap petakan perlakuan dengan bagan warna daun standar. Pengukuran saat intensitas tinggi menghasilka akurasi ketepatan daun padi dengan bagan warna daun yang rendah. Pengukuran juga dilakukan pada saat pagi hari terbukti menghasilkan akurasi yang baik, dari pengukuran manual bagan warna daun yang dilakukan disimpulkan pengukuran sebaiknya dilakukan pada pagi hari dan membelakangi sinar matahari. Pengambilan warna patokan daun padi dicoba menggunakan kamera telepon seluler. Pengambilan data dilakukan pada siang hari dan hasil yang diperoleh memiliki akurasi yang rendah. Hal ini diyakini karena pengaruh intensitas cahaya. Hasil pengolahan analisis citra menyimpulkan bahwa intensitas terbaik untuk menghasilkan akurasi yang tinggi dengan rentang intensitas cahaya 800-5000 lux. Intensitas rendah cenderung berada pada saat pagi hari atau sore hari. Hasil pemetaan keragaman tingkat warna daun menunjukkan bahwa tidak ditemuinya tingkat warna daun 5 pada lahan peerlakuan, sehingga untuk analisis tingkat warna daun 5 tidak dilakukan. Daun dengan tingkat warna daun 2, 2.5, 3, 3.5, dan 4 digunakan untuk keperluan analisi pemotretan citra. Faktor yang mempengaruhi tingkat kehijauan daun padi adalah ketersediaan unsur hara makro dan mikro terutama unsur hara makro (N, P, K), kesuburan tanah, dan ketersediaan air di lahan budidaya. 28

1.

Lahan Leuweungkolot-Bogor

Pemupukan pertama pada saat 7 HST, pemupukan kedua 21 HST dan pemupukan ketiga 40 HST. Pengamatan dilakukan pada saat pemupukan kedua dan ketiga. Hasil tingkat keberagaman warna daun dengan penilaian manual menggunakan bagan warna daun dapat dilihat pada Gambar 22.

2

3

3

3

3

3

2

3

3.5

3.5

3

3

3

3.5

3.5

2.5

3

2.5

2.5

2.5

3

2.5

2.5

3

3

3

3

3

3

3 3

3

3

3

3

3

*Nilai di dalam kotak adalah tingkat warna rata-rata di petakan tersebut

Gambar 22. Pemetaan keragaman warna daun padi dengan penilaian manual untuk lahan Bogor

Taraf perlakuan pupuk di lahan Leuweungkolot-Bogor dilakukan 8 taraf pemupukan. Nilai di dalam kotak gambar di atas merupakan nilai rata-rata tingkat warna daun dalam setiap petakan. Membangkitkan tingkat keberagaman warna daun disimpulkan berhasil. Tingkat warna daun 2 diperoleh dari perlakuan nol (tidak dipupuk sama sekali). Jumlah petakan perlakuan sebanyak 36 petakan, dari petakan perlakuan tersebut, pemberian perlakuan dosis pemupukan dilakukan secara acak untuk semua petakan perlakuan. Petakan perlakuan belum berhasil membangkitkan tingkat warna daun 4. Batas petakan perlakuan tidak diberi pembatas bedengan, hanya dengan membuat batas petakan menggunakan tali rafia. Tingkat warna daun 3 mendominasi dalam setiap petakan, sedangkan tingakat warna daun 2.5 hanya 5 petakan dan tingkat warna daun 3.5 hanya 6 petakan.

29

2.

Lahan Karawang

Pemupukan pertama pada saat 13 HST, pemupukan kedua 27 HST dan pemupukan ketiga 38 HST. Pengamatan dilakukan pada saat pemupukan kedua dan ketiga. Taraf perlakuan pupuk di lahan Karawang dilakukan 9 taraf pemupukan. Nilai di dalam kotak gambar diatas merupakan nilai ratarata tingkat warna daun dalam setiap petakan. Tingkat warna daun 2 diperoleh dari perlakuan nol (tidak dipupuk sama sekali) sebanyak 4 petakan perlakuan. Tingkat warna daun 2.5 diperoleh dari dosis perlakuan 1 sebanyak 9 petakan. Hasil dari setiap petakan terlihat dominan tingkat warna daun 3. Tingkat warna daun 3.5 diperoleh 5 petakan dari perlakuan 6 dan perlakuan 7. Tingkat warna daun 4 ditemukan dengan 4 jumlah petakan. Tingkat warna daun 4 ini diperoleh dari perlakuan 9 dimana pemeberian urea yang paling banyak dan ditambah dengan pupuk kandang. Tujuan memberi dosis pemupukan yang beragam untuk membangkitkan tingkat keberagaman warna daun di lahan Karawang dapat disimpulkan berhasil. Hasil tingkat keberagaman warna daun dengan penilaian manual menggunakan bagan warna daun dapat dilihat pada Gambar 23.

*Nilai di dalam kotak adalah tingkat warna daun rata-rata di petakan tersebut

Gambar 23. Pemetaan keragaman warna daun padi dengan penilaian manual untuk lahan Karawang 3.

Lahan Cianjur

Pemupukan dilakukan 3 kali, pemupukan pertama pada saat 7 HST, pemupukan kedua 21 HST dan pemupukan ketiga 40 HST. Pengamatan dilakukan pada saat pemupukan kedua dan ketiga. Taraf perlakuan pupuk di lahan Cianjur dilakukan 8 taraf pemupukan. Nilai di dalam kotak gambar diatas merupakan nilai rata-rata tingkat warna daun dalam setiap petakan. Tidak ditemukan tingkat warna daun 2, 3.5 dan 4. Hal ini dimungkinkan karena tidak ada pembatas galengan di setiap petakan perlakuan yang mengakibatkan pupuk yang telah terlarut terbawa aliran air sehingga menyebar ke petakan perlakuan lainnya. Tingkat warna daun 2.5 diperoleh dari dosis perlakuan 1 sebanyak 1 petakan. Tingkat warna daun 2, 3.5 dan 4 diperoleh dari luar perlakuan dosis pemupukan, sehingga untuk pengambilan citra tingkat warna daun 2, 3.5, dan 4 diambil dari luar petakan perlakuan. Hasil tingkat keberagaman warna daun dengan penilaian manual menggunakan bagan warna daun dapat dilihat pada Gambar 24. 30

3

3

3

3

3

3

3

3

2.5

3

*Nilai di dalam kotak adalah tingkat warna daun rata-rata di petakan tersebut

Gambar 24. Pemetaan keragaman warna daun padi dengan manual untuk lahan Cianjur

B.

Pengolahan Komponen Warna (RGB) dengan Visual Basic

Hasil citra padi yang telah diambil dengan kamera telepon seluler kemudian disimpan dalam memori hardisk komputer dalam bentuk JPEG berukuran 629 x 477 pixel. Selanjutnya citra tersebut diolah dengan menggunakan program komputer yang telah dibuat oleh Astika, dkk (2010). Tampilan program dapat dilihat pada Gambar 22. Program ini dirancang untuk menghitung komponen warna RGB (Red, Green, Blue). Program pengolahan citra yang dibuat terdiri atas empat bagian utama, yakni proses membuka file gambar daun padi yang telah disimpan (open file), proses penyimpanan intensitas dan pembacaan BWD secara manual ke dalam bentuk file.txt, proses pengukuran parameter RGB dengan mengklik bagian daun dan bagian telapak, proses penyimpanan hasil pengukuran RGB (save) ke dalam bentuk file.txt dan keluar (exit). Tahapan-tahapan untuk menjalankan program adalah sebagai berikut. 1.

Membuka dan Memilih File

Proses pengambilan citra menggunakan perintah manual pada properties – form1. Sebelum membuka file yang akan diolah, terlebih dahulu klik photo yang sudah selesai diolah dalam program. Pada toolbar properti klik properties alphabetic picture, kemudian klik pada kotak categorized bitmap, kemudian akan tampil kotak dialog box folder, pilih file. Citra daun padi yang telah dipilih kemudian dibuka. Citra yang telah dibuka akan diproses untuk mengukur komponen RGB (red, green, blue). 2.

Proses Pemasukan Nilai Intensitas Cahaya dan Tingkat Warna Daun

File citra yang telah dibuka dalam program pengolahan komponen RGB, langkah selanjutnya adalah memasukkan nilai intensitas cahaya yang terukur oleh luxmeter dan tingkat warna daun manual dengan bagan warna daun. Klik tombol perintah process nilai intensitas cahaya dan tingkat warna daun secara manual akan disimpan ndalam memori hardisk dalam bentuk file.txt . Tampilan program membukadan memilih dapat dilihat pada Gambar 25. 31

Gambar 25. Tampilan membuka dan memilih file

3.

Perhitungan Komponen RGB (red, green, blue) Daun dan Latar Belakang

Perhitungan komponen RGB daun dan latar belakang telapak tangan dilakukan dengan 2 tahap. Tahap pertama melakukan proses penghitungan RGB daun. Langkah kerjanya adalah mengklik bagian daun pojok kiri bagian atas dan mengklik bagian daun pojok kanan bagian bawah. Nilai rataan RGB dihitung oleh program yang kemudian tampil di kotak output rR, rG,dan rB daun. Kedua melakukan proses perhitungan RGB latar belakang tangan. Nilai rataan RGB dihitung oleh program yang kemudian tampil di kotak output rR, rG,dan rB tangan. Hasil pada kedua kotak output tersebut akan disimpan otomatis di dalam bentuk file.txt yang disimpan dalam memori hardisk. Nilai komponen penciri daun dan tangan didapatkan dalam bentuk file BWD.txt di memori hardisk. Nilai variable penciri citra yang telah diekstraksi, diolah menjadi dua bentuk data, data test dan data training. Data test dan data training akan digunakan dalam program pengenalan pola dengan kNN. Bentuk data test dan data traing hampir sama dengan hasil ekstraksi dengan program ekstraksi citra. Hasil ekstraksi nilai variabel penciri citra digunakan juga untuk program statistik untuk menguji beda nyata nilai variabel yang sama dalam tingkat warna daun yang berbeda. Variabel penciri (Rd, Gd, Bd, Rt, Gt, Bt) berbeda nyata antar tingkat warna daun sehingga dapat dilanjutkan pengenalan pola dengan program kNN yang telah dirancang menggunakan visual basic. Pengolahan citra untuk ekstraksi komponen warna daun dilakukan dengan dua analisis yaitu 1) pengolahan citara untuk ekstraksi komponen warna daun dengan frame yang dipenuhi oleh citra telapak tangan, dan 2) pengolahan citra untuk ekstraksi komponen warna daun dengan frame yang tidak dipenuhi oleh citra telapak tangan. Hal ini dilakukan karena diyakini hasil nilai RGB akan berpengaruh terhadap frame. Kedua kelompok ini dianalisis terpisah karena memberi efek kecerahan citra yang berbeda. Tampilan program pengolahan citra untuk ekstraksi komponen warna daun (frame penuh) dan frame tidak penuh dapat dilihat pada Gambar 26 dan 27. 32

Gambar 26. Tampilan program pengolahan citra untuk ekstraksi komponen warna daun dengan frame penuh

Gambar 27. Tampilan program pengolahan citra untuk ekstraksi komponen warna daun dengan frame tidak penuh

33

C.

Hubungan Komponen RGB dengan Tingkat Warna Daun

Dari data komponen warna daun, komponen warna tangan, dan hasil pengukuran tingkat warna dan dengan BWD kemudian dicari hubungan antara komponen warna dengan tingkat warna daun. Di sini diinginkan adanya hubungan yang khas (berbeda nyata) antara komponen warna dengan tingkat warna daun, dimana tingkat warna daun yang berbeda dicirikan oleh kisaran komponen warna yang khas. Untuk melakukan pengenalan tingkat warna daun dari keragaman komponen warna RGB daun dan tangan dibuat program Visual Basic untuk melaksanakan algoritma k_Nearest Neighborhood (kNN) yang telah dibuat oleh Astika (2010). Dengan data yang ada, kNN telah diuji dan diimplementasikan ke dalam telepon seluler yang dipakai dalam penelitian. Program pengenalan pola dengan kNN yang dibuat terdiri atas dua bagian utama, 1) proses persiapan file data training, file data test, dan file output, dan 2) menjalankan program. Tampilan program pengenalan pola kNN dapat dilihat pada Gambar 28.

Gambar 28. Tampilan program pengenalan pola kNN File data training disiapkan dengan bentuk notepad. Data yang terdiri dari 6 komponen penciri yakni Rd. Gd, Bd, Rt, Gt, Bt, dan tingkat warna daun. Jumlah data yang dimuat dalam file data training tidak terbatas, semakin banyak data yang digunakan semakin bagus hasilnya. Untuk File data test disiapakan sama dengan data training bentuk notepad namun dipisahkan dalam dua file yang berbeda. File data training diberi dengan penamaan file AA.txt sedangkan data test diberi dengan penamaan file CC.txt. Data training dan data test disimpan dalam hardisk directory D. File Output diberi dengan penamaan file Hasil.txt, hasil pengolahan kNN ditampilakan di file output. Mempersiapkan file data training dan data test harus mengetahui jumlah data yang dimasukkan dalam file. Jumlah data di tuliskan di bagian atas isi file data training dan data test. Data training dan data test dapat dilihat pada lampiran. Langkah kedua adalah menjalankan program. Tombol perintah ru berfungsi untuk menjalankan program. Menekan tombol perintah run pada program, program akan berjalan otomatis dan melakukan proses pengenalan pola kNN. 34

D.

Pemotretan Citra pada Berbagai Tingkat Warna Daun

Pengambilan citra daun padi pada berbagai tingkat warna daun diambil dari tiap-tiap petakan perlakuan. Langkah pertama dengan menentukan tingkat warna daun padi secara manual menggunakan bagan warna daun (BWD) standar. Setiap Petakan perlakuan hanya memiliki beberapa tingkat warna daun saja, hal ini dipengaruhi oleh dosis perlakuan pupuk. Daun padi yang telah diukur dengan menggunakan bagan warna daun dianalisis untuk memperoleh komponen warna RGB. Citra daun padi terkumpul sebanyak 24.483 buah citra, sebanyak 480 foto yang tidak dapat diekstraksi karena citra rusak. Citra tersebut terkumpul dengan melakukan sebanyak 6 kali ulangan pengamatan dan pengambilan data. Masing-masing dua kali pengamatan dan pengambilan data untuk lahan penelitian Bogor, Karawang dan Cianjur. Pengambilan citra dengan menggunakan lima buah berbagai merek telepon seluler. Setiap daun dengan tingkat warna daun tertentu, di citra sebanyak 6 kali ulangan untuk masing-masing telepon seluler. Pengambilan citra melibatkan 6-7 orang petani setiap pengambilan data. Hal ini dilakukan agar mendapatkan ciri warna telapak tangan yang berbedabeda, diutamakan model telapak tangan petani. Pengambilan citra dilakukan secara bergantian untuk setiap kamera telepon seluler. Pemotretan dilakukan secara rotasi agar semua petani memotret untuk masing–masing telepon seluler. Pemotretan dilakukan berurutan mulai tingkat warna daun 2, 2.5, 3, 3.4 dan 4. Model telapak tangan petani untuk pemotretan diberi tanda untuk setiap tingkat warna daun yang akan dicitra hal ini agar mudah dalam penandaaan citra di dalam komputer untuk pengolahan analisis citra. Cara pengambilan citra dengan kamera telepon seluler, dilakukan dengan cara melilitkan daun padi melingkar ke dalam salah satu jari tangan, disarankan menggunakan jari tengah karena jari tengah cenderung panjang agar memudahkan dalam pemotretan. Penempatan lilitan daun padi di jari harus melingkar tepat dan disarankan tidak terlipat, hal ini dilakukan karena apabila daun tidak melingkar tepat, akan mempengaruhi kerja fokus kamera. Telapak tangan dijadikan sebagai latar belakang frame citra. Pemilihan telapak tangan sebagai latar belakang tangan untuk kepraktisan. Penelitian sebelumnya telah dicoba menggunakan kertas putih Astika, (2010) namun terdapat kendala tidak semua petani membawa kertas ke lapangan/sawah sehingga tidak praktis tentunya merepotkan dalam penggunaan telepon seluler nantinya. Latar belakang yang digunakan dalam frame citra adalah telapak tangan bagian dalam. Pemilihan latar belakang frame citra bagian dalam telapak tangan bagian dalam adalah karena telapak tangan bagian dalam cenderung tidak berpori sedangkan bagian luar telapak tangan bergaris dan berpori, sehingga dalam pemotretan menghasilkan citra yang kurang menarik, dan menyulitkan dalam pengolahan analisis citra menggunakan program komputer. Kamera telepon seluler yang digunakan dalam penelitian ini menggunakan kamera fokus otomatis. Pemotretan daun padi, kamera harus dalam kondisi fokus, lalu dipotret. Fokus akan mempengaruhi karakteristik komponen RGB yang diolah dalam analisis citra. Daun yang dicitra, dililit melingkar dan tidak goyang karena pergerakan obyek yang akan dicitra juga mempengaruhi kualitas citra, bila obyek bergerak terlalu cepat sulit bagi kamera untuk mengunci fokus (Agung, 2012). Citra yang telah terkumpul sebanyak 16.000 buah dianalisis menggunakan program pengolahan citra. Citra yang terkumpul, terdapat sebanyak 340 citra yang tidak dapat dianasis, hal ini disebabkan oleh kualitas dan hasil citra buram dan pecah. Analisis perbandingan dilakukan terhadap citra yang fokus dengan citra yang tidak fokus. Hasil pengolahan analisis citra dengan menggunakan program analisis RGB menghasilkan nilai komponen RGB yang tidak konsisten. Pengolahan analisis citra menyimpulkan bahwa posisi daun padi tidak goyang, posisi pemotretan yang stabil dan tidak terganggu oleh goyangan tubuh akan menghasilkan fokus yang tepat sehingga dalam pengolahan analisis citra menghasilkan nilai variabel komponen RGB yang konsisten. 35

Peneliti juga telah melakukan penelitian lain yang menggunakan metoda pengolahan citra untuk menentukan tingkat kehijauan daun. Astika, dkk (2010) mengembangkan perangkat sensor untuk menentukan tingkat warna daun padi dengan menggunakan CCD kamera yang dipasang pada suatu gerobak. Gerobak didorong di lahan sawah yang berisikan tanaman padi, sambil terus berjalan kamera menangkap citra daun padi secara terus menerus.

(a) Tanaman kedelai

(b) Tanaman padi

Gambar 29. Perangkat sensor untuk penentuan tingkat warna daun (Astika, dkk; 2010) Untuk mengatasi hambatan-hambatan tersebut di atas, Astika, dkk (2011) mengubah metoda pengambilan citra. Citra daun padi pada suatu hamparan/petak lahan diambil dari udara. Metoda yang dipakai untuk mengambil gambar dari suatu ketinggian adalah 1) dengan galah vertikal 5-7 m, 2) balon udara, dan 3) pesawat aeromodeling seperti ditunjukkan pada Gambar 30.

(a) Galah vertikal

(c) Helikopter

(b) Balon udara

(d) Pesawat aeromodeling

Gambar 30. Metode pengambilan citra dari udara (Astika, dkk; 2010) 36

Frame-frame foto disimpan di dalam hard disk komputer laptop untuk nantinya dianalisis di luar lahan. Akurasi yang didapatkan masih rendah karena adanya beberapa hambatan, yaitu kesulitan pergerakan gerobak di lahan sebagai akibat dari slip pada lumpur dan adanya goncangan pada kamera. Astika, dkk (2010) juga menggunakan metoda yang sama untuk menentukan tingkat warna daun kedelai di lahan kering. Di samping itu, metoda yang sama juga dipakai untuk menentukan tingkat penutupan gulma di lahan terbuka. Akurasi yang dihasilkan cukup bagus.

E.

Pemotretan Citra pada Berbagai Tingkat Intensitas Cahaya

Pengambilan citra daun padi dilakukan pada 3 rentang waktu, yaitu pukul 07.00 WIB-11.00 WIB, pukul 12.00 WIB-pukul 14.00 WIB, dan dilanjutkan dengan pengambilan citra pada pukul 15.00 WIB-17.45 WIB. Intensitas antara ketiga rentang waktu pemotretan memiliki tingkat intensitas cahaya yang beragam. Hasil terukur intensitas cahaya yang didapatkan dengan menggunakan luxmeter adalah 1300-21.000 lux. Besar nilai intensitas cahaya dipengaruhi oleh waktu dan cuaca pada saat pemotretan. Intensitas cahaya akan berubah-ubah dalam kondisi cuaca yang tidak stabil. Hasil pengukuran intensitas cahaya menyimpulkan bahwa intensitas cahaya yang relatif stabil adalah pada saat pukul 07.00 WIB sampai pukul 09.00 WIB dengan intensitas antara 800-6000 lux. Hal ini berdasarkan hasil pengukuran, pada pagi hari intensitas cahaya akan naik secara perlahan. Pada siang hari intensitas cahaya cenderung tidak stabil, pada pukul 12.00 WIB intensitas cahaya terkadang naik dan terkadang turun. Hal ini mengakibatkan kondisi pencahayaan yang buruk pada saat pemotretan. Sore hari pada pukul 15.00 WIB hasil pengukuran menunjukkan bahwa terjadi penurunan intensitas cahaya dari sidang hari. Data intensitas cahaya yang terukur oleh luxmeter memperlihatkan bahwa tingkat intensitas cahaya pada sore hari cenderung sama pada tingkat intensitas cahaya pada pagi hari. Rentang intensitas cahaya pada berbagai waktu pengambilan citra dapat dilihat pada Tabel 8. Tabel 8. Rentang intensitas cahaya pada berbagai waktu pengukuran Pagi (07.00-11.00) 7.10 7.15 7.31 7.71 8.01 8.20 8.40 9.00 9.15 9.35 Range Intensitas Cahaya

Intensitas (lux) 800 950 1150 1280 1350 2120 2430 3052 3200 4450 10006000

Siang (12.00-15.00) 12.00 12.20 12.35 12.50 13.15 13.37 13.50 14.15 14.45 15.15

Intensitas (lux) 102200 105000 107700 112800 118000 115000 96500 92000 82500 44.000 8000120.000

Sore (15.00-17.00) 15.00 15.20 15.35 16.00 16.20 16.35 16.50 17.15 17.30 17.45

Intensitas (lux) 3650 3710 3800 4100 4150 3800 2700 1630 1110 875 10006000

Menurut hasil pengambilan data intensitas cahaya yang ditampilkan dalam tabel di atas, menunjukkan pada saat pagi hari tingkat intensitas cahaya cenderung rendah, yaitu sekitar 500-6000 lux. Sedangkan pengambilan data yang dilakukan pada saat siang hari intensitas cahaya tinggi yang berkisar antara 8000-25.000. Pada waktu sore hari pada pukul 15.00 intensitas cahaya kembali 37

menurun sekitar 800-4000 lux. Citra yang terkumpul dianalisis terpisah berdasarkan tingkat intensitas cahaya. Analisis yang dilakukan adalah 1) intensitas cahaya 800-6000 lux, 2) intensitas cahaya 60009000 lux, dan 3) intensitas cahaya >10.000 lux. Hasil pengolahan analisis citra dengan pengenalan pola kNN menyimpulkan bahwa waktu yang terbaik untuk pengambilan citra dilakukan pada saat pagi hari atau sore hari. Intensitas pagi hari dan sore hari relatif kecil, sehingga dengan kesimpulan tersebut, intensitas cahaya yang terbaik untuk pengambilan citra adalah sekitar 800-6000 lux. Intensitas berpengaruh terhadap kecerahan frame citra. Hasil pengolahan analisis citra pengenalan pola dengan kNN menyimpulkan bahwa pemotretan dilakukan pada intensitas rendah dengan selang intensitas cahaya 800-5000 lux, sehingga waktu yang cocok untuk pengambilan citra daun padi dilakukan pada saat pagi hari pada pukul 07.00-09.00 WIB dan sore hari pada pukul 15.00-17.00 WIB.

F.

Analisis citra dengan frame citra telapak tangan

Frame citra akan mempengaruhi nilai variabel RGB (red, green, blue). Pengambilan citra dilakukan pada dua bentuk frame citra yaitu pengambilan citra dengan frame yang dipenuhi citra telapak tangan dan pengambilan citra dengan frame yang tidak terpenuhi oleh citra telapak tangan. Hal ini dianalisi karena diyakini ada perbedaan penciri nilai variabel RGB dalam proses ekstraksi komponen RGB. Cakupan kecerahan frame dipengaruhi dipengaruhi oleh intensitas cahaya atau kecerahan objek-objek yang berada di dalam frame citra. Di antara 6 variabel penciri, yaitu Rd, Gd, Bd, Rt, Gt, dan Bt telah ditemukan bahwa Gd dan Bd berbeda nyata pada tingkat kepercayaan 95% terhadap tingkat warna daun. Hal ini dapat dipahami karena perbedaan tingkat warna daun lebih banyak dicirikan dengan perbedaan tingkat kehijuannya. Namun perbedaan ini tidak terjadi secara konsisten atau proporsional karena dipengaruhi oleh warna latar belakang (warna telapak tangan). Kamera digital pada telepon seluler bekerja secara automatis dalam menjaga kecerahan hasil citra. 1.

Citra dipenuhi oleh frame citra telapak tangan dengan intensitas rendah Frame citra yang dipenuhi oleh citra telapak tangan maka warna telapak tangan akan dominan mempengaruhi pengaturan eksposure (pengaturan kecerahan) kamera. Hasil data pengolahan komponen RGB akan sangat berpengaruh pada nilai variabel Rt, Gt, Bt. Hasil pengolahan ekstraksi komponen RGB dengan frame citra yang dipenuhi terlihat konstan dan memiliki akurasi yang tinggi. Hasil pendugaan dengan progra pengenalan pola k-NN menunjukkan hasil yang sempurna. Tingkat kepercayaan pendugaan dilihat pada ketepatan pendugaan oleh program pengenalan pola kNN.

Gambar 31. Citra dengan frame yang dipenuhi citra telapak tangan 38

Pengambilan citra dilakukan dengan frame yang dipenuhi citra telapak tangan dan pada saat intensitas rendah. Hasil yang diperoleh sebelumnya bahwa intensitas rendah akan memiliki nilai variabel RGB yang konstan. Tingkat warna daun (TWD) yang dipakai adalah 2, 2.5, 3, 3.5 dan 4. 1.

Samsung Ace Pengenalan pola k-NN dilakukan terhadap semua telepon seluler yang dipakai dalam penelitian. Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Samsung Ace memiliki hasil pendugaan antara 79% - 94%. Akurasi yang baik dihasilkan dengan cara penggambilan citra dengan frame dipenuhi oleh citra telapak tangan dan intensitas yang rendah, hal ini disebabkan kecerahan citra konstan dipengaruhi oleh frame citra telapak tangan yang ditandai dengan tidak adanya objek benda lain disekitar citra. Cahaya dari luar tidak masuk ke dalam frame agar menghasilkan nilai variabel penciri yang konsisten. Cahaya sekitar pengambilan citra rendah sehingga tidak akan mempengaruhi pengaturan kecerahan yang dimiliki kamera Samsung Ace. Hasil pendugaan tingkat warna daun dengan kamera telepon seluler Samsung Ace saat intesitas rendah dan frame yang dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 9. Tabel 9. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan Jumlah Data

Jumlah Data Hasil Pendugaan

Tingkat Warna

Akurasi (%)

Daun Target

2

3

4

131

2

123

8

99

3

13

78

8

78.787879

54

4

4

3

47

87.037037

Rata-rata

86.572682

93.89313

*TWD 2 dan 2.5 digabungkan menjadi TWD 2 *TWD 3 dan 3.5 digabungkan menjadi TWD 3

2.

Sony Ericsson SK17i Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Sony Ericsson memiliki akurasi pendugaan antara 91% - 97%. Akurasi yang dihasilkan sangat baik. Kamera yang dimiliki sangat memiliki fokus yang baik, kualitas citra bagus sehingga nilai variabel komponen ekstraksi konsisten dan tidak menghasilkan nilai yang beragam. Hasil pendugaan tingkat warna daun dengan kamera telepon seluler Sony Ericsson saat intesitas rendah dan frame yang dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 10. Tabel 10. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan Jumlah Data Jumlah Data Hasil Pendugaan Akurasi (%) Tingkat Warna Daun Target

2

3

4

162

2

149

9

4

91.975309

183

3

2

166

15

90.710383

95

4

3

92

96.842105

Rata-rata

93.17593


39

Pengambilan citra dilakukan dengan memenuhi frame citra latar belakang telapak tangan dan pada saat intensitas rendah. Frame penuh tidak ditandai dengan adanya objek lain disekitar citra, sehingga menghasilkan nilai variabel penciri yang tepat, yaitu RGB tangan dan RGB daun. Kondisi intensitas cahaya yang rendah akan membuat kecerahan yang konstan saat pengambilan citra, hal ini disebabkan karena pengaturan kecerahan otomatis yang dimiliki oleh kamera Sony Ericsson tidak mempengaruhi nilai variabel penciri. Pengenalan pola dilakukan dengan program KNN dengan mencoba melakukan pengenalan sebanyak 500 citra. Tingkat warna daun 4 memiliki akurasi 96.8%, sebanyak 95 citra yang dicoba dalam KNN mengenali 92 tingkat warna daun 4. 3.

LG

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler LG memiliki akurasi pendugaan antara 88% - 94%. Hasil pendugaan tingkat warna daun saat intesitas rendah dan frame yang dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 11. Tabel 11. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

173

2

162

5

6

93.641618

172

3

6

152

14

88.372093

125

4

1

9

115

92

Rata-rata

91.337904


4.

Samsung GT Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Samsung GT memiliki akurasi pendugaan antara 85% - 93%. Kamera Samsung GT memiliki pengaturan sangat sensitif terhadap perubahan intensitas cahaya, kamera akan otomatis menyeimbangkan kecerahan apabila terjadi perubahan intensitas cahaya. Hasil pendugaan tingkat warna daun oleh kamera telepon seluler Samsung GT saat intesitas rendah dan frame yang dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 12. Tabel 12. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

138

2

127

5

6

92.028986

170

3

12

144

14

84.705882

152

4

2

9

141

92.763158

Rata-rata

89.832675


40

5.

Nexian Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Nexian memiliki akurasi pendugaan antara 92% - 93%. Hasil pendugaan tingkat warna daun oleh kamera telepon seluler Nexian saat intesitas rendah dan frame yang dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 13. Tabel 13. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan Jumlah Data Jumlah Data Hasil Pendugaan Akurasi (%) Tingkat Warna Daun Target

2

3

4

116

2

108

7

1

93.103448

158

3

5

147

6

93.037975

52

4

4

48

92.307692

Rata-rata

92.816372


2.

Citra tidak dipenuhi oleh frame citra telapak tangan dengan intensitas rendah Cakupan frame berpengaruh karena kecerahan suatu kecerahan citra dipengaruhi oleh

intensitas cahaya atau kecerahan objek-objek yang berada di dalam frame citra. Frame citra yang tidak dipenuhi oleh citra telapak tangan ditandai dengan adanya citra objek lain, maka kecerahan citra pun akan dipengaruhi oleh citra objek-objek tersebut. Akibatnya nilai variabel-variabel penciri juga berubah. Pengambilan citra seperti ini sangat mungkin terjadi di lapangan jika dilakukan oleh petani. Frame-frame citra yang dipengaruhi secara bersama-sama oleh perbedaan intensitas cahaya, perbedaan warna telapak tangan, dan akibat banyaknya frame citra yang tidak dipenuhi oleh citra telapak tangan. Citra yang diambil oleh petani banyak mengalami kegagalan dengan hasil citra tidak dapat dianalisi didalam program kNN yang telah dibuat oleh Astika (2010) hal ini disebakan karena penempatan daun dan posisi pengambilan citra yang kurang tepat. Citra yang diambil dengan jarak terlalu dekat maupun jauh menghasilkan focus yang kurang baik. Citra yang diambil dengan jarak yang tidak tepat akan mengakibatkan frame citra tidak dipenuhi oleh citra telapak tangan. Objek lain ada di dalam citra adalah akibat ketidaktepatatan jarak pengambilan citra. Hasil analisis menunjukkan bahwa citra yang tidak dipenuhi oleh citra telapk tangan menghasilkan akurasi yang rendah.

Gambar 32. Citra dengan frame yang tidak dipenuhi citra telapak tangan 41

1.

Samsung Ace

Tabel 14 menunjukkan akurasi yang dihasilkan oleh frame-frame citra yang dipengaruhi secara bersama-sama oleh perbedaan intensitas cahaya, perbedaan warna telapak tangan, dan frame citra yang tidak dipenuhi oleh citra telapak tangan. Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Samsung Ace dengan frame tidak terpenuhi oleh citra telapak tangann memiliki akurasi pendugaan antara 39% - 80%. Kesimpulan bahwa hasil pendugaan sangat banyak meleset dari target. Rendahnya akurasi yang dihasilkan memaksa adanya penanggulangan terhadap faktor-faktor yang mempengaruhi kombinasi komponen RGB daun dan RGB tangan. Rendahnya akurasi ini disebabkan karena Frame citra yang tidak dipenuhi oleh citra telapak tangan. Sehingga akibatnya kecerahan citra akan dipengaruhi oleh citra objek-objek lain yang ada di dalam frame. Kecerahan ini membuat nilai variabel-variabel penciri juga berubah. Tabel 14. Akurasi pendugaan tingkat warna daun dengan citra yang tidak dipenuhi oleh frame citra telapak tangan dengan intensitas rendah Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

77

2

62

12

3

80.519481

101

3

37

44

20

43.564356

128

4

51

27

50

39.0625

Rata-rata

54.382112


2.

Sony Ericsson SK17i

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Sony Ericsson dengan frame tidak terpenuhi oleh citra telapak tangan memiliki akurasi pendugaan antara 50% - 75%. Kamera Sony Ericsson memiliki pengaturan kesimbangan pencerahan sangat sensitife sehingga mengakibatkan perubahan nilai variabel RGB juga sangat sensitif. Nilai variabel komponen penciri cenderung tidak konstan. Obyek yang masuk ke dalam frame akan diseimbangkan oleh pengaturan kecerahan warna. Akurasi pendugaan tingkat warna daun dengan frame yang tidak dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 15. Tabel 15. Akurasi pendugaan tingkat warna daun dengan citra yang tidak dipenuhi oleh frame citra telapak tangan dengan intensitas rendah Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

135

2

102

20

13

75.555556

62

3

16

31

15

50

72

4

10

18

44

61.111111

Rata-rata

62.222222


42

3.

LG

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler LG dengan frame tidak terpenuhi oleh citra telapak tangan memiliki akurasi pendugaan antara 33% 78%. Tingkat warna daun 3 memiliki nilai akurasi yang sangat rendah hanya sebesar 33%, sangat meleset dari target pendugaan. Akurasi pendugaan tingkat warna daun dengan frame yang tidak dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 16 Tabel 16. Akurasi pendugaan tingkat warna daun dengan citra yang tidak dipenuhi oleh frame citra telapak tangan dengan intensitas rendah Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

142

2

111

14

17

78.169014

94

3

43

24

27

32.978723

39

4

4

5

30

76.923077

Rata-rata

62.690271


4.

Samsung GT

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Samsung GT dengan frame tidak terpenuhi oleh citra telapak tangan memiliki akurasi pendugaan antara 36% - 81%. Rendahnya akurasi yang dihasilkan memaksa adanya penanggulangan terhadap faktor-faktor yang mempengaruhi kombinasi komponen RGB daun dan RGB tangan. Rendahnya akurasi ini disebabkan karena Frame citra yang tidak dipenuhi oleh citra telapak tangan. Sehingga akibatnya kecerahan citra akan dipengaruhi oleh citra objek-objek lain yang ada di dalam frame. Kecerahan ini membuat nilai variabel-variabel penciri juga berubah. Akurasi pendugaan tingkat warna daun dengan frame yang tidak dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 17. Tabel 17. Akurasi pendugaan tingkat warna daun dengan citra yang tidak dipenuhi oleh frame citra telapak tangan dengan intensitas rendah Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

121

2

98

22

1

80.991736

92

3

35

47

10

51.086957

98

4

24

39

35

35.714286

Rata-rata

55.930993


43

5.

Nexian

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Nexian dengan frame tidak terpenuhi oleh citra telapak tangan memiliki akurasi pendugaan antara 63% - 80%. Rendahnya akurasi ini disebabkan karena frame citra yang tidak dipenuhi oleh citra telapak tangan. Akurasi pendugaan tingkat warna daun dengan frame yang tidak dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 18. Tabel 18. Akurasi pendugaan tingkat warna daun dengan citra yang tidak dipenuhi oleh frame citra telapak tangan dengan intensitas rendah Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

101

2

81

3

17

80.19802

235

3

33

172

30

73.191489

140

4

38

13

89

63.571429

Rata-rata

72.320313


3.

Pencampuran antara citra yang dipenuhi oleh frame dan tidak dipenuhi oleh frame citra telapak tangan saat intensitas rendah

Pengambilan citra antara frame yang dipenuhi dengan citra telapak tangan dicampur dengan citra yang tidak dipenuhi frame telapak tangan dianalisis agar mengetahui pengaruhnya terhadap nilai variabel penciri yaitu RGB daun dan RGB tangan. Tingkat akurasi yang dihasilkan untuk setiap tingkat warna daun tidak konsisten memiliki nilai yang baik untuk beberapa merek kamera telepon seluler, dan sebagian merek telepon seluler yang dipakai memiliki akurasi yang rendah. Hal ini disebabkan oleh pengaturan kecerahan yang berbeda-beda yang dimiliki oleh setiap amera telepon seluler. Frame yang tidak dipenuhi oleh citra telapak tangan ditandai dengan adanya objek lain yang masuk di sekitar frame, sehingga mengakibatkan perubahan nilai variabel penciri dan akibatnya target pendugaan dengan program kNN memiliki hasil akurasi yang rendah. Frame yang dipenuhi oleh citra telapak tangan memiliki akurasi pendugaan yang baik, sedangkan akurasi pendugaan frame yang tidak dipenuhi oleh citra telapak tangan menghasilkan akurasi yang cenderung rendah. Telepon seluler bekerja otomatis untuk mencerahkan frame, sehingga apabila warna kulit telapak tangan gelap, kamera akan menyesuaikan kecerahan frame citra, sehingga mengakibatkan nilai variabel penciri berubah. 1.

Samsung Ace

Tabel 19 menunjukkan akurasi yang dihasilkan oleh frame-frame citra yang dipengaruhi secara bersama-sama oleh intensitas cahaya rendah, perbedaan warna telapak tangan, frame citra yang dipenuhi oleh citra telapak tangan dan frame citra yang dipenuhi dengan citra telapak tangan. Akurasi pendugaan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Samsung Ace adalah 70% - 84%. Akurasi pendugaan tingkat warna daun degan frame yang tidak 44

dipenuhi oleh citra telapak tangan dicampur dengan frame yang dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 19. Tabel 19. Akurasi pendugaan tingkat warna daun citra yang tidak dipenuhi oleh frame citra telapak tangan dengan dicampur dengan citra yang dipenuhi oleh citra telapak tangan dengan intensitas rendah. Jumlah Data


Tingkat Warna

Akurasi (%)

Daun Target

2

3

4

244

2

205

24

15

84.016393

167

3

17

117

33

70.05988

104

4

8

13

83

79.807692

Rata-rata

77.961322


2.

Sony Ericsson SK17i

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Sony Ericsson dengan frame tidak terpenuhi oleh citra telapak tangan dicampur dengan frame yang penuh oleh citra telapak tangan memiliki akurasi pendugaan antara 53% - 80%. Akurasi pendugaan tingkat warna daun dengan frame tidak dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 20. Tabel 20. Akurasi pendugaan tingkat warna daun citra yang tidak dipenuhi oleh frame citra telapak tangan dengan dicampur dengan citra yang dipenuhi oleh citra telapak tangan dengan intensitas rendah Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

257

2

169

59

29

79.766537

220

3

6

195

19

53.181818

152

4

2

40

111

73.026316

Rata-rata

68.658224


3.

LG

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler LG memiliki akurasi pendugaan antara 83% - 87%. Faktor yang mempengaruhi terhadap nilai akurasi 45

tersebut karena tidak adanya objek lain di sekitar citra, sehingga menghasilkan nilai vaiabel penciri yang konsisten dicampur dengan citra yang tidak dipenuhi oleh frame citra telapak tangan menghasilkan akurasi yang hampir semua tingkat warna daun 2, 2.5, 3, dan 3.5. Hasil pendugaan tingkat warna daun saat intesitas rendah dan frame yang dipenuhi oleh citra telapak tangan dicampur dengan frame yang tidak dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 21. Tabel 21. Akurasi pendugaan tingkat warna daun citra yang tidak dipenuhi oleh frame citra telapak tangan dengan dicampur dengan citra yang dipenuhi oleh citra telapak tangan dengan intensitas rendah Jumlah Data


Tingkat Warna

Akurasi (%)

Daun Target

2

3

4

217

2

189

16

12

87.096774

185

3

15

153

17

82.702703

146

4

9

13

128

87.671233

Rata-rata

85.82357


4.

Samsung GT

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Samsung GT dengan frame tidak terpenuhi oleh citra telapak tangan dicampur dengan citra yang dipenuhi oleh frame citra telapak tangan memiliki akurasi pendugaan antara 78% - 90%. Rendahnya akurasi ini disebabkan karena frame citra yang tidak dipenuhi oleh citra telapak tangan. Hasil pendugaan tingkat warna daun saat intesitas rendah, frame yang dipenuhi oleh citra telapak tangan dicampur dengan frame tidak dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 22. Tabel 22. Akurasi pendugaan tingkat warna daun citra yang tidak dipenuhi oleh frame citra telapak tangan dengan dicampur dengan citra yang dipenuhi oleh citra telapak tangan dengan intensitas rendah Jumlah Data


Tingkat Warna

Akurasi (%)

Daun Target

2

3

4

206

2

161

37

8

78.15534

207

3

16

175

16

84.541063

177

4

12

6

159

89.830508

Rata-rata

84.175637


46

5.

Nexian

Hasil pengolahan yang diperoleh dari program pengenalan pola kNN untuk telepon seluler Nexian dengan frame tidak terpenuhi oleh citra telapak tangan memiliki akurasi pendugaan antara 74% - 78%. Rendahnya akurasi ini disebabkan karena frame citra yang tidak dipenuhi oleh citra telapak tangan dicampur dengan frame citra yang dipenuhi oleh citra telapak tangan. Akurasi pendugaan tingkat warna daun dengan frame yang tidak dipenuhi oleh citra telapak tangan dicampur dengan citra dengan frame yang dipenuhi oleh citra telapak tangan dapat dilihat pada Tabel 23. Tabel 23. Akurasi pendugaan tingkat warna daun citra yang tidak dipenuhi oleh frame citra telapak tangan dengan dicampur dengan citra yang dipenuhi oleh citra telapak tangan dengan intensitas rendah Jumlah Data

Tingkat Warna


Akurasi (%)

Daun Target

2

3

4

252

2

196

41

15

77.777778

263

3

19

227

17

86.311787

95

4

7

18

70

73.684211

Rata-rata

79.257925


G. Pemotretan Citra pada Berbagai Warna Kulit Telapak Tangan Hasil pengambilan citra dengan beragam intensitas cahaya menyimpulkan bahwa intensitas yang baik untuk pengambilan citra dilakukan pada saat intensitas rendah. Maka dari itu analisis tidak perlu dilakukan lagi dengan intensitas tinggi. Analisis selanjutnya adalah melakukan pengambilan citra pada berbagai warna kulit telapak tangan. Citra yang terkumpul dianalisis terpisah berdasarkan warna kulit telapak tangan. Analisis yang dilakukan berdasarkan warna kulit telapak tangan adalah 1) warna kulit telapak tangan putih, 2) warna kulit telapak tangan putih sedang, dan 3) warna kulit telapak tangan hitam. Enam variabel penciri, yaitu Rd, Gd, Bd, Rt, Gt, dan Bt telah ditemukan bahwa Gd dan Bd berbeda nyata pada tingkat kepercayaan 95% terhadap tingkat warna daun. Hal ini dapat dipahami karena perbedaan tingkat warna daun lebih banyak dicirikan dengan perbedaan tingkat kehijuannya. Namun perbedaan ini tidak terjadi secara konsisten atau proporsional karena dipengaruhi oleh warna latar belakang (warna telapak tangan). Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan untuk Samsung Ace dapat dilihat pada Tabel 24. Kamera digital pada telepon seluler bekerja secara automatis dalam menjaga kecerahan hasil citra. Jika latar belakang gelap (misalnya sebagai akibat kulit telapak tangan agak hitam), maka kamera akan meningkatkan kecerahan. Hal ini juga akan mengakibatkan objek daun padi menjadi lebih cerah, yang kemudian berakibat pada meningkatnya nilai Rd, Gd, dan Bd. Sebaliknya jika warna latar cerah (karena kulit telapak tangan berwarna keputihan) maka kamera membuatnya menjadi lebih gelap, yang kemudian berakibat pada menurunnya nilai Rd, Gd, dan Bd. 47

Tingkat warna daun yang sama bisa jadi akan memiliki nilai Rd, Gd, dan Bd yang berbeda sebagai akibat dari perbedaan kecerahan latar belakang, yang dicirikan oleh nilai Rt, Gt, dan Bt. Dua tingkat warna daun yang sama memungkinkan hasil tingkat daun yang berbeda, hal ini dipengaruhi oleh warna latar belakang yang menghasilkan kemiripan nilai variabel RGB daun dan RGB tangan. Untuk menghindari pengaruh kecerahan citra karena latar belakang warna telapak tangan yang berbeda (putih, putih sedang, dan hitam) dapat dilakukan dengan dua faktor yaitu : intensitas cahaya dan frame latar belakang. Pengolahan pengenalan pola kNN yang telah dilakukan menunjukkan adanya perbaikan akurasi dengan memperhatikan kedua faktor tersebut. Hasil pengolahan analisis citra dengan pengenalan pola kNN menyimpulkan bahwa adalah bahwa efek warna latar belakang tangan dapat diminimalis dengan pengambilan citra dilakukan saat intensitas rendah (800-6000 lux). Pengambilan citra dilakukan pada saat intensitas relatif tinggi menghasilkan pengaruh yang besar terhadap kecerahan citra. Hal ini dikarenakan karena prinsip kerja kamera akan menyeimbangkan kecerahan citra dengan intensitas cahaya yang mengenai frame. 1.

Samsung Ace

Tabel 24. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame dipenuhi oleh citra telapak tangan

Warna Kulit

Akurasi

Jumlah Data

Jumlah DataHasil Pendugaan

Tingkat

(%)

telapak

Warna Daun

tangan

Target

2

2,5

3

3,5

4

40

2

19

16

1

2

2

87

53

2,5

5

27

7

3

11

60

45

3

8

5

20

6

6

57

40

3,5

0

9

3

16

12

70

50

4

0

2

5

4

39

86

Rata-rata

72

Putih

Putih sedang

Hitam

32

2

13

9

5

3

2

68

25

2,5

13

0

9

2

1

52

43

3

21

8

7

5

2

27

11

3,5

0

0

2

6

3

81

10

4

1

0

0

0

9

90

Rata-rata

63.6

93

2

74

18

1

0

95

2,5

28

50

1

9

7

82

66

3

12

6

42

3

3

68

48

3,5

9

5

1

33

0

68

49

4

1

4

4

3

37

81

Rata-rata

77

86

48

2.

Sony Ericsson SK17i

Tabel 25. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan

Warna Kulit telapak tangan

Jumlah Data

Putih

26 28 35 32 29

Tingkat Warna Daun Target 2 2,5 3 3,5 4

Putih sedang

48 30 63 12 48

2 2,5 3 3,5 4

Hitam

56 99 83 97 54

2 2,5 3 3,5 6

3.

Jumlah Data Hasil Pendugaan 2 2,5 3 3,5 4 14 2 5 4 1 3 17 3 3 2 5 21 5 4 3 2 26 1 1 5 3 20 Rata-rata 42 1 1 2 2 2 21 6 1 5 52 3 3 1 2 8 1 1 2 8 1 36 Rata-rata 53 2 1 8 83 7 1 3 1 68 1 10 5 1 89 2 1 53 Rata-rata

Akurasi (%) 61 71 60 87 68 69.4 89 76 87 83 75 82 98 91 83 92 98 92.4

LG

Tabel 26. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan Warna Kulit telapak tangan

Jumlah Data

Putih

77 13 64 7 80


Putih sedang

105 25 81 23 102

2 2,5 3 3,5 4

Hitam

75 0 57 0 60

2 2,5 3 3,5 4

Jumlah DataHasil Pendugaan 2 2,5 3 3,5 4 73 2 2 3 7 1 2 2 59 3 7 1 3 7 69 Rata-rata 92 5 3 4 1 3 14 1 5 2 10 5 62 4 3 1 2 10 7 4 10 2 86 Rata-rata 8 60 7 0 55 2 0 2 2 56 Rata-rata

Akurasi (%) 97 76 92 100 86 90.2 92 68 76 73 86 79 80 0 96 0 93 53.8 49

4.

Samsung GT

Tabel 27. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan

Putih

132 24 158 28 177


Putih sedang

38 18 44 16 51

2 2,5 3 3,5 4

Hitam

54 6 62 5 38

2 2,5 3 3,5 4

Warna Kulit telapak tangan

5.

Jumlah Data

Jumlah DataHasil Pendugaan 2 2,5 3 3,5 4 130 1 1 2 3 15 4 4 138 3 3 10 8 10 10 5 1 171 Rata-rata 31 1 6 8 2 3 4 1 5 36 1 2 1 4 2 3 6 2 2 1 46 Rata-rata 2 44 4 4 5 1 4 1 57 3 1 1 3 1 5 29 Rata-rata

Akurasi (%) 99 70 89 64 96 83.6 81 55 84 50 90 72 88 83 91 40 76 75.6

Nexian

Tabel 28. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame yang dipenuhi oleh citra telapak tangan Warna Kulit

25 13 31 15 28


48 30 63 12 48

2 2,5 3 3,5 4

42

24 0 26 0 16

2 2,5 3 3,5 4

18

Jumlah Data

telapak tangan

Putih

Putih sedang

Hitam

Jumlah DataHasil Pendugaan 2 22

2,5

3 3

3,5

4

4

5

1

1

20 1 2

1 2 6 3

2 2 7 22 Rata-rata 2 1 3 1 36 Rata-rata

7 1

2

1 21

5 1

1 2

1 6 52 2 8

2 3 8 1

6

Akurasi (%) 88 69 70 86 89 80.4 89 76 82 75 77 79.8 75

0 26

100 0

3

13 Rata-rata

81.25 85.416667 50

H.

Analisis Statistika

Analisa statistika dilakukan untuk mengetahui uji beda nyata antar tingkat warna daun. Tingkat warna daun antara 2 dan 2.5, tingkat warna daun 2 dengan 3, tingkat warna daun 2 dengan 3.5, dan seterusnya. Tingkat warna daun tersebut mempunyai variabel. Variabel penciri terdiri dari RGB daun (Rd, Gd, Bd) dan RGB tangan (Rt, Gt, Bt). Analisis perlu dilakukan untuk mengetahui variabel pembeda antar tingkta warna daun. Aplikasi yang digunakan SPSS 17. SPSS adalah singkatan dari Statistical and Service Solution. SPSS merupakan program komputer yang digunakan untuk melakukan perhitungan statistik. Uji yang dilakukan adalah uji beda nyata. Pengolahan data statistik dilakukan dengan analisis one way annova. Data yang dipakai untuk melakukan perhitungan statistika adalah hasil data olahan dengan program ekstraksi komponen RGB daun dan RGB tangan menggunakan program Visual Basic. Uji beda nyata dilakukan untuk masing-masing telepon seluler yang dipakai. Hasil yang diperoleh dari pengolahan analisis uji beda nyata telah ditemukan bahwa Gd dan Bd merupakan variabel penciri yang berbeda nyata antar tingkta warna daun. Tingkat kepercayaan uji beda nyata yang dilakukan mencapai 95% oleh karena itu dipastikan variabel penciri berbeda nyata antar tingkat warna daun adalah variabel Gd dan Bd. Variabel RGB tangan cenderung mempunyai beda nyata yang tidak konstan. Uji beda nyata dilakukan setiap telepon seluler. Setiap telepon seluler dilakukan uji beda nyata berdasarkan tingkat intensitas. Uji beda nyata untuk beragam intensitas dibagi menjadi 3 analisis, analisis pertama untuk tingkat intensitas cahaya 800-5000 lux, analisis kedua tingkat intensitas cahaya 7000-10000 lux, dan analisis ketiga tingkat intensitas lebih besar dari 10000 lux. Uji dilakukan terhadap beragam warna kulit telapak tangan, yaitu warna kulit putih, putih sedang, dan hitam. Uji beda nyata berikutnya adalah menggabung semua data berdasarkan tingkat warna daun, intensitas, dan warna kulit telapak tangan. Semua data digabung tanpa memperhatikan intensitas cahaya, warna kulit telapak tangan, dan tingkat warna daun. Uji ini dilakukan untuk setiap telepon seluler yang dipakai dalam penelitian. Uji beda nyata berdasarkan intensitas cahaya, intesitas cahaya antara 800-5000 lux menghasilkan signifikan 95%, artinya variabel penciri berbeda nyata antar tingkat warna daun. Varibel penciri yang memebdakan antar tingkat warna daun adalah variabel Gd dan Bd, nilai signifikan Gd dan Bd 99% dan cenderung memiliki nilai signifikan yang selalu konstan. Intensitas cahaya 6000-9000 lux menghasilkan signifikan 87%, Sedangkan untuk intensitas cahaya diatas 10000 lux menghasilkan nilai signifikan 30% dan disimpulkan tidak berbeda nyata. Uji beda nyata berdasarkan warna kulit telapak tangan mengahasilkan nilai signifikan yang beragam hal ini diyakini kaerna pencerahan otomatis yang dimiliki kamera telepon seluler sehingga menghasilkan nilai variabel penciri tidak konsisten. Uji beda nyata berdasarkan kulit telapak tangan warna putih dilakukan untuk masing-masing telepon seluler. Nilai signifikan yang dihasilkan untuk telapak tangan berwarna putih menghasilkan beda nyata 90%. Variabel penciri beda nyata berdasarkan kulit berwarna putih adalah Gd, Bd, dan Gt. Nilai signifikan Gd adalah 0.000, Bd 0.003 dan Gt 0.005. Warna kulit telapak tangan agak putih mempunyai nilai signifikan yang hampir sama dengan warna kulit telapak tangan putih. Warna telapak tangan hitam menghasilkan tingkat kepercayaan 78%, berdasarkan nilai signifikan untuk setiap telepon seluler cenderung berubah dan tidak konsisten. Hai ini diyakini karena efek pencerahan otomatis yang dimiliki kamera telepon seluler, sehingga dengan latar belakang frame citra telapak tangan hitam, telepon seluler akan menyeimbangkan pencerahan citra, sehinggga nilai variabel penciri tidak konsisten. 51

IV. HASIL DAN PEMBAHASAN

Recommend Documents