PENDAHULUAN Latar Belakang Serangan penyakit pada tanaman padi dan anthurium merupakan faktor pembatas pertumbuhan dan hasil. Hama dan penyakit tanaman padi dan anthurium merupakan salah satu faktor penting yang ikut menentukan berhasil atau tidaknya usaha pertanian dan budidaya tanaman hias. Gagalnya panen dan banyaknya tanaman hias yang rusak akan mempengaruhi daya jual sehingga akan mengakibatkan kerugian terutama pada bidang ekonomi. Pemberantasan hama dan penyakit sudah banyak dilakukan, namun dalam penentuan jenis penyakit masih menemukan banyak kesulitan selain proses identifikasi penyakit yang berlangsung lama. oleh karena itu, diperlukan suatu teknik untuk mendapatkan pola dari setiap ciri daun yang berpenyakit agar dapat dilakukan penglasifikasian citra dengan baik. Salah satu teknik untuk mendapatkan pola suatu citra adalah dengan melakukan ekstraksi ciri. Penelitian sebelumnya terkait dengan identifikasi penyakit pada daun antara lain (El-Telbany et al. 2006) telah menerapkan teknik jaringan syaraf tiruan (JST) dan algoritme C4.5. Berdasarkan penelitiannya, algoritme C4.5 mampu mengurangi kesalahan menggunakan teknik pruning dan memberikan hasil yang baik dibandingkan teknik jaringan syaraf tiruan. Phadikar dan Sil (2008) melakukan identifikasi daun padi yang berpenyakit menggunakan jaringan syaraf tiruan Self Organizing Maps (SOM) dengan menerapkan segmentasi, deteksi tepi dan deteksi bintik daun pada tahap ekstraksi cirinya. Pada penelitian Gu (2005) juga melakukan identifikasi daun tetapi tidak pada daun yang terkena penyakit, identifikasi jenis daun dilakukan dengan kombinasi transformasi wavelet dan interpolasi gaussian dengan k-Nearest Neighbors (k-NN) sebagai metode klasifikasi. Penelitian ini melakukan identifikasi penyakit pada daun tanaman padi dan anthurium dengan menerapkan metode Jaringan syaraf tiruan SOM, karena pada metode ini dilakukan proses pembentukan cluster data citra. Dengan adanya proses tersebut, pengukuran kemiripan untuk tipe citra kueri dilakukan hanya terhadap cluster citra yang telah terbentuk. Pada penelitian ini juga akan diterapkan metode k-NN sebagai model klasifikasi, Pemberian label jenis daun
yang berpenyakit pada setiap kelompok merupakan model pembelajaran metode ini. Adanya proses tersebut akan memudahkan sistem dalam proses identifikasi citra kueri. Penggunaan metode klasifikasi diharapkan dapat mengidentifikasi penyakit yang sudah diketahui jenisnya, sedangkan metode clustering diharapkan dapat mengidentifikasi penyakit yang belum diketahui jenis penyakitnya. Diharapkan kedua metode ini dapat mengidentifikasi citra daun yang berpenyakit sehingga memperoleh hasil yang memuaskan. Tujuan Penelitian ini bertujuan melakukan pengukuran kinerja k-Nearest Neighbors (kNN) dan Self Organizing Maps (SOM) pada identifikasi penyakit padi dan anthurium. Ruang Lingkup Data citra yang digunakan dalam penelitian ini adalah citra daun yang diperoleh dari persawahan desa Laladon dan Balai Penelitian Cipanas Bogor, Jawa barat, Indonesia. Objek citra adalah helai daun tunggal yang berasal dari tanaman padi dan anthurium. Penelitian ini difokuskan pada citra helai daun yang terkena penyakit. Manfaat Hasil penelitian ini dapat membantu petani untuk mengidentifikasi penyakit pada tanaman padi dan anthurium dengan menggunakan komputer.
TINJAUAN PUSTAKA Jenis Tanaman 1. Padi Padi merupakan tanaman pangan berupa rumput berumpun. Tanaman pertanian kuno berasal dari dua benua yaitu Asia dan Afrika Barat tropis dan subtropis (Syam et al. 2007). Klasifikasi botani tanaman padi adalah sebagai berikut: Divisi Sub divisi Kelas Keluarga Genus Spesies
: Spermatophyta : Angiospermae : Monotyledonae : Gramineae (Poaceae) : Oryza : Oryza spp
Padi dibedakan dalam dua tipe yaitu padi kering (gogo) yang ditanam di dataran tinggi
1
dan padi sawah di dataran rendah yang memerlukan penggenangan.
sangat cepat dan dengan cara pemupukan NPK yang tepat.
2. Anthurium 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.
2. Bercak coklat (brown spot)
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 aglonema, philodendron, keladi hias, dan alokasia. Dalam keluarga araceae, Anthurium adalah genus dengan jumlah jenis terbanyak. Diperkirakan ada sekitar seribu jenis anggota marga anthurium.
Gejala yang paling umum dari penyakit ini adalah bercak berwarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada permukaan daun, pada pelepah atau pada gabah. Patogen penyakit bersifat terbawa benih (seed borne), sehingga dalam keadaan yang cocok, penyakit dapat berkembang pada tanaman yang masih sangat muda.
Anthurium salah satu tanaman hias indoor 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). Penyakit Tanaman Penyakit yang menyerang tanaman padi biasanya disebabkan oleh hama dan bakteri (Syam et al. 2007), berikut adalah beberapa penyakit yang dibahas pada penelitian ini: 1. Blas (leaf blast) Semula penyakit blas dikenal sebagai salah satu kendala utama pada padi gogo, tetapi sejak akhir 1980-an, penyakit ini juga sudah terdapat pada padi sawah beririgasi. Penyakit ini disebabkan oleh jamur pathogen Pyricularia grisae. Penyakit blas menimbulkan dua gejala khas, yaitu blas daun dan blas leher. Blas daun merupakan bercak coklat kehitaman, berbentuk belah ketupat, dengan pusat bercak berwarna putih, sedangkan blas leher berupa bercak coklat kehitaman pada pangkal leher yang dapat mengakibatkan leher malai tidak mampu menopang malai dan patah. Penyakit ini dikendalikan melalui penanaman varietas lahan secara bergantian untuk mengantisipasi perubahan ras blas yang
Gambar 1 Leaf blast. Penyakit bercak coklat disebabkan oleh jamur Helmintosporium oryzae pada pertanaman bercak coklat dapat menyebabkan kematian tanaman muda dan menurunkan kualitas gabah.
Penyakit dapat dikendalikan secara efektif dengan varietas tahan dan melalui pemupukan dengan 250 kg urea, 100 kg SP36, dan 100 kg KCI.
Gambar 2 Brown spot. 3. Hawar daun bakteri (bacterial leaf blight) Hawar daun bakteri (HDB) disebabkan oleh Xanthomonas oryzae pv. Oryzae merupakan penyakit bakteri yang tersebar luas dan menurunkan hasil sampai 36%. Penyakit terjadi pada musim hujan atau musim kemarau yang basah, terutama pada lahan sawah yang selalu tergenang, dan pemakaian pupuk N yang berlebihan (> 250 kg urea /ha). Penyakit HDB menghasilkan dua gejala khas, yaitu kresek dan hawar. Kresek adalah gejala yang terjadi pada tanaman berumur <30 hari (pesemaian atau yang baru dipindah). Daun-daun berwarna hijau kelabu, melipat, dan menggulung. Sementara, hawar merupakan gejala yang paling umum dijumpai pada pertanaman yang telah mencapai fase tumbuh anakan sampai fase pemasakan. Penyakit HDB secara efektif dikendalikan dengan varietas tahan, pemupukan lengkap, dan pengaturan air. Gunakan pupuk NPK dalam dosis yang tepat. Bila memungkinkan, hindari penggenangan yang terus-menerus,
2
misal satu hari digenangi dan tiga hari dikeringkan. Gambar 5 Bercak daun. Gambar 3 Hawar daun. 4. Tungro Tungro merupakan salah satu penyakit penting pada padi sangat merusak dan tersebar luas. Di Indonesia, semula penyakit ini hanya terbatas di Sulawesi Selatan, tetapi sejak awal tahun 1980-an menyebar ke Bali, Jawa Timur, dan sekarang sudah menyebar ke hampir seluruh wilayah Indonesia. Bergantung pada saat tanaman terinfeksi, tungro dapat menyebabkan kehilangan hasil 5-70%. Makin awal tanaman terinfeksi tungro, makin besar kehilangan hasil yang ditimbulkannya. Gejala serangan tungro yang menonjol adalah perubahan warna daun dan tanaman tumbuh kerdil. 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. 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.
6. Bercak Kuning 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. Setelah satu daun terserang, maka daun-daun yang lain tinggal menunggu giliran, sampai semua kuning dan akhirnya tidak bisa diselamatkan. Sampai saat ini masih belum diketahui secara pasti penyebab penyakit ini. Para hobiis menganggap penyakit ini bersifat multifaktor 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 dengan larutan fungisida. Anakan yang muncul nantinya diharapkan akan menjadi tanaman yang sehat.
Gambar 6 Bercak kuning. Citra Gambar 4 Tungro. 5. Bercak Daun Pada tanaman hias anthurium, penyakit bercak daun harus diwaspadai dan biasanya sangat di takuti oleh penghobi. Daun yang terkena penyakit ini tampak kekuningkuningan dengan bercak-bercak berwarna coklat. Bila dibiarkan, dalam jangka beberapa waktu bercak itu berubah sedikit kehitaman. Serangan itu ditengarahi karena bakteri pseudomonas cichorii dan xanthomonas campestris. Kedua bakteri tersebut hadir melalui luka di daun. Penyakit itu dapat diatasi menggunakan bakterisida berbahan aktif mancozeb.
Istilah citra yang digunakan dalam bidang pengolahan citra diartikan sebagai suatu fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi, dengan menyatakan suatu koordinat, dan nilai menyatakan intensitas, pada setiap titik tingkat kecerahan, atau derajat keabuan (Murni 1992). Algoritme Zooming Algoritme Zooming adalah metode yang ditujukan untuk menambah atau mengurangi jumlah pixel pada sebuah citra digital. Pixel baru didapat dengan cara mengambil informasi dari pixel tetangga yang terdekat pada image asli (Phadikar & Sil 2008).
3
Algoritme zooming sebagai berikut: 1. Langkah pertama adalah menentukan dan faktor skala adalah ukuran dari citra asli. dengan 2. Untuk langkah kedua: a. Semua titik pixel dari citra asli yang ditempatkan terletak diposisi ( diposisi sesuai dengan persamaan berikut: (1) Seperti posisi yang ditunjukkan area berwarna kuning dengan nilai gray dan (Gambar 7). b.
Pilih baris pertama dan tentukan kolom yang akan dihitung titik pikselnya. Titik itu merupakan titik tengah. Misalkan titik itu adalah titik (Gambar 7) yang berada di antara dan . Kemudian dihitung titik dengan menggunakan persamaan:
(2) dengan 1 dan adalah jarak antara titik ke dan titik ke . c.
Untuk menentukan nilai dari titik yang belum dihitung sebelumnya misalkan titik (Gambar 7), dihitung berdasarkan nilai rata-rata empat tetangganya. Sebagai catatan, hanya titik-titik yang nilainya telah dihitung di langkah sebelumnya yang dapat digunakan untuk menghitung nilai dari titik .
tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau pola-pola yang ada pada suatu daerah bagian citra. Tekstur Pada area pemrosesan citra tidak ada definisi yang jelas tentang tekstur. Hal ini disebabkan definisi tekstur yang ada didasarkan kepada metode analisis tekstur dan fitur yang diekstrak dari citra. Akan tetapi, tekstur dapat dianggap sebagai pola piksel yang berulang pada wilayah spasial dimana penambahan noise pada pola dan perulangan frekuensinya, dapat terlihat secara acak dan tidak terstruktur (Osadebey 2006). Beberapa metode yang berbeda diusulkan untuk menghitung ciri tekstur karena tidak ada definisi matematika yang jelas tentang tekstur. Metode yang paling sering digunakan untuk mendeskripsikan ciri tekstur adalah metode berbasis statistika dan berbasis transformasi (Osadebey 2006). Fast Fourier Transform Secara umum, metode yang digunakan dalam pemrosesan citra digital dapat dibagi menjadi dua kelompok, yaitu metode spatial domain dan metode frequency domain. Pada metode spatial domain, pemrosesan dilakukan dengan cara memanipulasi nilai pixel dari citra tersebut secara langsung (Nugroho 2005). Pengolahan citra digital dengan metode frequency domain, informasi citra digital ditransformasikan lebih dulu dengan transformasi fourier, kemudian dilakukan manipulasi pada hasil transformasi Fourier tersebut. Setelah manipulasi selesai, dilakukan inverse transformasi fourier untuk mendapatkan informasi citra kembali. Metode frequency domain ini dapat digunakan untuk menyelesaikan masalah-masalah tertentu yang sulit jika dilakukan dengan menggunakan metode spatial domain. Teknik perhitungan transformasi fourier diskret didefenisikan sebagai berikut :
Gambar 7 Ilustrasi algoritme zooming. Ekstraksi Fitur Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk dan
(3) dan
4
Algoritme k-NN sangatlah sederhana, bekerja berdasarkan pada jarak terpendek dari query instance ke training sample untuk menentukan k-NN nya (Ramadan 2006).
dengan (4) Hasil dari perhitungan ini merupakan bilangan kompleks yang dinyatakan dengan:
Dekat atau jauhnya tetangga tersebut biasanya dihitung berdasarkan jarak Euclidian dengan persamaan sebagai berikut:
(5) dan dengan dan imajiner dari komponen modul spektrum menjadi:
adalah komponen real . Jika dipecah dalam amplitudo dan fasa
(6) adalah magnitude dari dengan dinyatakan dengan :
,
(7)
(8) Fungsi magnitude spektrum fourier dari dengan sudut fase dari
, dan .
disebut juga disebut
Hasil transformasi dapat ditampilkan sebagai citra, namun karena dynamic range dari spektrum fourier biasanya sangat besar, maka sebelum ditampilkan sebagai citra harus diubah menjadi: (9) dengan adalah konstanta. Selanjutnya yang ditampilkan sebagai citra adalah nilai dari yang memiliki dynamic range lebih . kecil daripada Klasifikasi Klasifikasi merupakan bentuk analisis data yang dapat digunakan untuk membangun model berdasarkan kelas data yang tersedia atau untuk memprediksi trend data selanjutnya (Han & Kamber 2006).
(10) dengan : : jarak data uji ke data pembelajaran. : data uji ke- , dengan = 1, 2, . . . , : data belajar ke- , dengan = 1, 2, . . . , Klasifikasi k-NN dilakukan dengan mencari k buah tetangga terdekat dari data uji dan memilih kelas dengan anggota terbanyak. Adapun langkah-langkah klasifikasi k-NN adalah sebagai berikut : 1. Tentukan parameter k, k merupakan jumlah tetangga terdekat. 2. Hitung jarak antara query instance dan semua sampel pelatihan. 3. Urutkan jarak dan tentukan tetangga terdekat berdasar jarak minimum k-th. 4. Kumpulkan kategori Y dari tetangga terdekat. 5. Gunakan mayoritas kecil dari kategori tetangga terdekat sebagai nilai prediksi query instance. Jaringan syaraf tiruan Self Organizing Maps (SOM) Jaringan syaraf tiruan Self Organizing Maps (SOM) atau disebut juga dengan jaringan Kohonen telah banyak dimanfaatkan untuk pengenalan pola baik berupa citra, suara, dan lain-lain. Jaringan SOM sering pula digunakan untuk ekstraksi ciri (feature) pada proses awal pengenalan pola. Jaringan SOM mampu mereduksi dimensi input pola ke jumlah yang lebih sedikit sehingga pemrosesan komputer menjadi lebih hemat (Kohonen 2004).
k-Nearest Neighbour (k-NN) k-Nearest Neighbor (k-NN) adalah suatu metode yang menggunakan algoritme supervised dimana hasil dari query instance yang baru, diklasifikasikan berdasarkan mayoritas dari kategori pada k-NN. Tujuan dari algoritme ini adalah menglasifikasi objek baru berdasakan atribut dan training sample.
Gambar 8 Ilustrasi model kohonen.
5
(degree of membership) dari node i dalam lingkungan yang berpusat pada node j. Ukuran node tetangga ini diperoleh dengan menggunakan fungsi Gaussian
Metode belajar Jaringan Syaraf Tiruan SOM adalah belajar tanpa pengawasan (Unsupervised Learning). Bedanya dengan JST biasa pada proses belajar adalah tanpa pengawasan, dimana perubahan bobot-bobot interkoneksinya sebagai tanggapan terhadap masukan dan tanpa memerlukan jawaban targetnya. Jaringan syaraf tiruan SOM terdiri dari dua lapisan yang terhubung penuh, yaitu lapisan masukan dan lapisan kompetitif yang biasanya terbentuk dua dimensi.
(13) dengan dij merupakan jarak antara node i dan j dan parameter sebagai ‘lebar efektif’ dari lingkungan. Gambar 9 mengilustrasikan konsep dari fungsi Gaussian:
Algoritme Self Organizing Map (SOM) Misalkan m adalah dimensi dari vektor input x = [x1,x2,...xm]T. Vektor bobot untuk node output j memiliki dimensi yang sama dengan vektor input, sehingga untuk neuron j, bobot vektor akan menjadi: wj = [wj1, wj2, …,wjm]T (Kohonen 2004). Berikut ini adalah algoritme SOM, untuk setiap vektor input x: 1. Kompetisi. Dengan menggunakan fungsi untuk setiap jarak, hitung nilai node output j. Cari node pemenang j (Best matching Unit (BMU), yaitu node output yang memiliki kemiripan tertinggi dengan vektor input, dengan nilai yang meminimumkan . 2. Kooperasi. Identifikasi seluruh node output j dalam lingkungan node pemenang j dengan menggunakan ukuran node tetangga (neighborhood function) . 3. Adaptasi, memperbaharui nilai bobot vektor:
Gambar 9 Fungsi node tetangga gaussian. 4.
Kriteria pemberhentian bisa berupa pembatasan jumlah iterasi, atau ketika (η) = 0
METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, ekstraksi ciri, pembangunan model Jaringan syaraf tiruan Self Organizing Maps dan k-Nearest Neighbour, identifikasi penyakit dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan dalam penelitian ini dapat diilustrasikan pada Gambar 10.
(11) 4. Perbaharui learning rate (η) dan ukuran node tetangga hij. 5. Hentikan perlakuan ketika kriteria pemberhentian telah dicapai. Keterangan : 1. Inisialisasi nilai bobot awal biasanya menggunakan nilai tengah (middle point) atau menggunakan nilai acak. 2. Fungsi jarak menggunakan jarak euclid (Euclidean Distance)
3.
(12)
Ukuran node tetangga (hij) digunakan untuk mengetahui derajat keanggotaan
Gambar 10 Metode penelitian.
6
