PENDUGAAN REFLECTANCE BERDASARKAN CITRA DIGITAL MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS UNTUK MENDUGA USIA DAUN JATI BELANDA
EL MARIYAN
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pendugaan Reflectance Berdasarkan Citra Digital Menggunakan Principal Component Analysis untuk Menduga Usia Daun Tanaman Jati Belanda adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juni 2014 El Mariyan G64078002
ABSTRAK EL MARIYAN. Pendugaan Reflectance Berdasarkan Citra Digital Menggunakan Principal Component Analysis untuk Menduga Usia DaunTanaman Jati Belanda. Dibimbing oleh YENI HERDIYENI Jati Belanda (Gauzuma umifolia) adalah salah satu jenis tanaman obat yang mengandung berbagai senyawa aktif, salah satunya adalah flavonoid. Tanaman Jati Belanda memiliki banyak manfaat di bidang kesehatan, tanaman tersebut banyak diteliti untuk mengukur kualitas kandungan senyawa flavonoid dengan bermacam cara yaitu uji lab kimia dan menggunakan alat. Proses tersebut miliki tingkat akurasi tinggi dan cepat, namun dapat merusak sample dan memperlukan biaya yang mahal. Oleh karenanya, pada penelitian kali ini membangun sistem yang berfungsi sebagai metode kendali mutu kualitas daun tanaman obat dengan pencitraan spektral menggunakan metode Principal Component Analysis (PCA) dan penentuan usia dengan metode klasifikasi Probabilistic Neural Network (PNN) berdasarkan nilai spektral reflectance. Hasil estimasi nilai reflectance menggunakan PCA memiliki nilai RMSE sebesar 15.26 dan GFC sebesar 91.42%. Pada penelitian ini, sistem identifikasi usia daun tanaman Jati Belanda menggunakan orde 2 dan komponen PC4. Akurasi hasil identifikasi usia daun adalah 86.67%. Kata kunci: Jati Belanda, Spektral Reflectance, Principal Component Analysis (PCA), Polynomial. ABSTRACT EL MARIYAN. Spectral Reflectance Estimation Based on Color Digital Image Using Principal Component Analysis For Predicting Age of Jati Belanda (Guazuma Ulmifolia) Leaf. Supervised by YENI HERDIYENI Jati Belanda (Guazuma ulmifolia) is one of medicinal plants that contained various chemical components, one of them is flavonoid. Because of Jati belanda has many benefits in health sector, this plant was studied to control the quality of flavonoid in different ways, usually, chemical lab and tools are used for that experiment. Such process has high accuracy and fast, but it can damage the sample and required very high cost. Therefore, this paper discussed on development of a system that has function as quality control method to control the quality of medicinal plant leaf with spectral image using principal component analysis (PCA) and probabilistic neural network (PNN) is used to determining age of leaf based on value of estimated reflectance. The result of vale of estimated reflectance using PCA has RMSE value of 15.26 and GFC of 91.42%. In this research, identification system is builded by using polynomila order 2 and the first four components to predicting age of Jati Belanda leaf. Identification system has an accuracy of 86.67%. Keywords: Guazuma Ulmifolia, Spectrum Reflectance, Principal Component Analysis (PCA), Polynomial.
PENDUGAAN REFLECTANCE BERDASARKAN CITRA DIGITAL MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS UNTUK MENDUGA USIA DAUN JATI BELANDA
EL MARIYAN
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 2014
Penguji: Dr Ir Agus Buono, MSi, Mkom Hari Agung Adrianto, SKom, MSi
Judul Skripsi : Pendugaan Reflectance Berdasarkan Citra Digital Menggunakan Principal Component Analysis untuk Menduga Usia Daun Jati Belanda Nama : El Mariyan NIM : G64078002
Disetujui oleh
Dr Yeni Herdiyeni, SSi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan dengan baik. Tema yang dipilih dalam penelitian yang dilaksanakan sejak Desember 2013 ini berjudul “Pendugaan Reflectance Berdasarkan Digital Menggunakan Principal Component Analysis untuk Menduga Usia Daun Jati Belanda”. Penulisan skripsi ini dibuat sebagai salah satu syarat kelulusan program sarjana di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Pada kesempatan ini, penulis mengucapkan ucapan terima kasih kepada pihak-pihak yang telah membantu penyusunan skripsi ini, yaitu kepada: 1 Bapak dan Ibu tercinta yang telah memberikan dukungan, semangat, do’a serta kasih sayang yang tulus diberikan. 2
Dr. Yeni Herdiyeni, SSi, MKom selaku pembimbing yang telah memberikan bimbingan, saran, bantuan, perhatian, dan dukungannya selama proses penelitian dan penyusunan skripsi.
3
Bapak Dr Ir Agus Buonu, MSi, MKom dan Hari Agung Adrianto, SKom, MSi selaku dosen penguji.
4
Dosen-dosen serta para staf di Departemen Ilmu Komputer yang telah memberikan ilmu serta bantuan kepada penulis
5
Ghatafy anaku dan Him Soty suamiku, atas izin, cinta dan kasih sayang yang diberikan.
6
Teman-teman satu bimbingan Nurul, Dhieka, Anita, Yutika, Rake, kak Gede dan teman-teman ilkom 44 atas saran, masukan, dan nasihat yang diberikan kepada penulis.
7
Teman-teman Pondok Amanah C atas dukungan serta semangat yang diberikan. Semoga karya ilmiah ini dapat bermanfaat bagi pembaca.
Bogor, Juni 2014 El Mariyan G64078002
DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN PENDAHULUAN Latar Belakang Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian TINJAUAN PUSTAKA Jati Belanda Spectrophotometer RGB Spektral Reflectance Principal Component Analysis Goodness of Fit Coefficient Root Mean Square Error Probabilistic Neural Network K-fold Cross Validation Confusion Matrix METODE Studi Pustaka Pengambilan Data Praproses Pemodelan Nilai reflectance Penentuan Usia Daun Jati Belanda K-Fold Cross Validation Klasifikasi menggunakan PNN Evaluasi Lingkungan pengembangan HASIL DAN PEMBAHASAN Pemodelan Nilai Reflectance Pendugaan Usia Daun Jati Belanda Evaluasi Implementasi Sistem SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA RIWAYAT HIDUP
ix ix x 1 1 2 2 2 2 2 3 3 4 4 6 6 7 8 8 9 10 10 11 12 12 12 13 13 13 14 14 17 19 20 21 21 21 22 32
DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 11
Confusion matrix Dataset untuk pemodelan nilai reflectance Model Polynomial Pembagian data latih dan data uji dengan Nilai RMSE dan GFC dari masing-masing dataset Nilai eigen 6 terbesar Persentase proporsi dari variansi RMSE dan GFC dengan menggunakan polynomial orde 1 dan orde 2 Akurasi hasil identifikasi citra daun dengan orde 2 Akurasi hasil identifikasi usia daun Jati Belanda Hasil identifikasi usia daun Jati Belanda pada fold 1
8 11 12 13 14 16 17 17 18 18 18
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Pohon Jati Belanda Spectrophotometer Proses pengambilan nilai reflectance dengan kamera Panjang gelombang warna RGB Reflectance pada permukaan Struktur Probabilistic Neural Network Diagram metode penelitian Proses pengambilan data citra Proses pengambilan data reflectance Proses cropping citra Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan dataset 1 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan dataset 2 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan dataset 3 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan dataset 4 Informasi yang terkandung pada masing-masing komponen PCA Hasil rata-rata nilai reflectance untuk bulan 1,2,dan3 dengan orde 2 dan komponen PC4 Antarmuka sistem perkiraan nilai reflectance dan usia daun Jati Belanda Tampilan hasil perkiraan nilai reflectance dan usia daun Jati Belanda
2 3 3 4 4 7 9 10 10 11 14 15 15 15 16 19 20 21
DAFTAR LAMPIRAN 1 2 3 4 5 6
Warna 97 standar Macbeth Data 276 potong citra daun dari 23 spesies tanaman obat Enam komponen utama Estimasi nilai reflectance dengan persamaan polynomial orde 1 Estimasi nilai reflectance dengan persamaan polynomial orde 2 Hasil klasifikasi usia daun dengan nilai sigma sebesar 0.95
24 25 29 30 30 31
PENDAHULUAN Latar Belakang Tanaman obat adalah jenis tanaman yang mengandung senyawa aktif yang berfungsi sebagai obat untuk menyembuh maupun mencegah berbagai macam penyakit (Fathniyah 2011). Pengobatan dengan menggunakan tanaman obat memiliki efek samping lebih rendah dan khasiatnya pun tidak kalah dari obatobatan modern (Prapanza dan Marianto 2003). Jati Belanda (Guazuma ulmifolia) merupakan salah satu tanaman obat yang mengandung berbagai senyawa kimia aktif antara lain tanin, musilago, caffeine, sitosterol, friedelin, kaueronic acid, flavonoid, saponin, anti oksidan, proanthocyanidin, dan lain sebagainya (Sulaksana dan Jayusman 2005). Salah satu kandungan senyawa aktif tanaman obat yang sering diteliti untuk mengukur kualitas daun Jati Belanda adalah flavonoid. Hal ini dikarenakan senyawa flavonoid memiliki aktivitas biologi yang menguntungkan dalam bidang farmasi. Flavonoid termasuk senyawa phenolic alam yang memiliki potensial sebagai antioksidan dan mempunyai bioaktifitas sebagai obat. Senyawa-senyawa ini dapat ditemukan pada batang, daun, bunga, dan buah. Manfaat flavonoid antara lain untuk melindungi struktur sel, meningkatkan efektivitas vitamin C, anti-inflamasi, anti virus, dan mencegah tulang keropos (Budityastomo 2010). Kualitas kandungan senyawa aktif tanaman obat bervariasi bergantung pada spesies, varietas, asal geografis, budidaya, metode pemanenan, dan proses pasca panen. Selain itu, faktor usia tanaman obat dapat dijadikan penanda mutu dari tanaman obat tersebut (Anuradha et al. 2010). Variasi ini dapat menyebabkan tidak konsistennya hal stabilitas produk dan keamanan obat. Penggunaan tanaman obat yang semakin meningkat, memerlukan adanya metode kendali mutu. Sesuai standar mutu dari WHO, obat herbal harus memenuhi beberapa persyaratan meliputi kualitas, keamanan, dan khasiat (Depkes RI, 2000). Oleh karena itu, menjaga konsistensi khasiat obat herbal menjadi sangat penting melalui metode analisis kendali mutu tanaman obat untuk mengontrol kualitas dan keamanan obat. Kendali mutu tanaman obat umumnya dapat dilakukan dengan uji lab kimia, proses uji ini miliki akurasi yang tinggi, namun putuh waktu yang lama dan juga dapat merusak sampel (Mao dan Xu 2006). Metode lain yang dapat digunakan untuk melihat keragaman mutu tanaman obat adalah spektroskopi yang biasa menggunakan infrared spectrophotometer atau spectrophotometer UV-Vis (Singh et al. 2010). Alat tersebut cukup mahal dan sulit digunakan. Oleh karena itu, alternatif lain untuk menganalisis kendali mutu daun tanaman Jati Belanda yaitu dengan pengolahan citra. Pengolahan citra yang dilakukan adalah dengan mengestimasi nilai reflectance berdasarkan nilai RGB dari sebuah citra yang diambil dengan menggunakan kamera digital. Nilai reflectance tersebut nanti digunakan sebagai fitur untuk menentukan kualitas tanaman obat berdasarkan usia daun tanaman. Pencitraan spektral telah dilakukan oleh Mansouri et al. (2008). Hasil penelitian tersebut menunjukan bahwa metode Principal Component Analysis (PCA) merupakan metode terbaik untuk mengestimasi spektral reflectance dari citra RGB Macbeth Colors Checker dibandingkan dengan metode basis fourier
2 dan basis wavelet. Pencitraan spektral juga telah dimanfaatkan oleh Azizah (2013) dengan menggunakan metode Wienner Estimation untuk menduga usia tanaman obat dengan akurasi sebesar 73.61%. Penelitian ini menggunakan PCA untuk menduga nilai reflectance berdasarkan warna citra digital daun Jati Belanda.
Tujuan Penelitian Penelitian ini bertujuan untuk menduga nilai spektral reflectance dari citra daun untuk menentukan usia daun Jati Belanda (Guazuma ulmifolia) dengan menggunakan metode PCA. Manfaat Penelitian Manfaat penelitian ini adalah untuk membantu masyarakat dalam mengetahui mutu tanaman obat dengan melihat usia daun tanaman sehingga dapat digunakan secara benar dan tepat. Selain itu, kendali mutu berdasarkan citra spektral reflectance, mudah digunakan, murah, cepat, dan tidak merusak sample daun (non destruktif). Ruang Lingkup Penelitian Ruang lingkup penelitian ini menggunakan daun tanaman Jati Belanda (Guazuma ulmifolia) dari kebun Biofarmaka, Dramaga IPB.
TINJAUAN PUSTAKA Jati Belanda Tanaman Jati Belanda atau Guazuma ulmifolia merupakan salah satu tanaman suku Sterculiaceae dan dikenal sebagai salah satu tanaman obat. Tanaman Jati Belanda dapat dilihat pada Gambar 1.
Gambar 1 Pohon Jati Belanda Tanaman ini adalah tanaman pohon, dengan tinggi lebih kurang 10 meter. Batang keras, bulat, permukaan kasar, banyak alur, berkayu, bercabang, warna hijau keputih-putihan. Daun tunggal, bulat telur, permukaan kasar, tepi bergerigi, ujung runcing, pangkal berlekuk, pertulangan menyirip, panjang 10-16 cm, lebar 3-6 cm, dan warna hijau. Bunga tunggal bulat di ketiak daun, warna kuning
3 berbitik-bitik merah. Buah kotak, bulat, keras, permukaan berduri, warna hitam (Heye 1987). Spectrophotometer Spectrophotometer merupakan alat photometric yang mengukur spektral transmittance, spektral reflectance, atau berhubungan dengan spektral emittance (XR 2007). Spectrophotometer yang sering digunakan berada dalam daerah spektral UV (utraviolet) dan visible (sinar tampak). Secara umum, spektroskopi terdiri dari sumber cahaya dapat berupa lampu incandescent dan lampu tungsten hologen, pemilih panjang gelombang (wavelength selector), dan detektor. Alat spectrophotometer dapat dilihat pada Gambar 2. Hasil citra obyek yang difoto menggunakan kamera dapat dilihat nilai reflectance-nya berdasarkan nilai RGB. Tiap piksel citra akan menghasilkan nilai reflectance berdasarkan panjang gelombang yang ditentukan. Proses pengambilan nilai reflectance dengan kamera dapat dilihat pada Gambar 3.
Gambar 2 Spectrophotometer Kamera digital dengan detektor CCD Sumber cahaya
Gambar 3 Proses pengambilan nilai reflectance dengan kamera RGB RGB adalah singkatan dari Red, Green, dan Blue. Model warna RGB adalah additive primary color yang digunakan dalam sistem additive. Spektral RGB pada
4 warna elektromagnetik visible miliki jarak antara 400nm-700nm. Spektral warna B, G, dan R adalah 435.8 nm, 546.1 nm, 700 nm untuk masing-masing warna (Gonzalez dan Woods 2002). Panjang gelombang RGB dapat dilihat pada Gambar 4. R Reflectance (%)
B G
Gambar 4 Panjang gelombang warna RGB Spektral Reflectance Cahaya pada permukaan obyek dapat diserap, ditransmisikan, atau dipantulkan. Pada radiasi visible yaitu salah satu jenis radiasi elektromagnetik dengan panjang gelompang dari 400nm-700nm yang bisa dilihat dengan mata normal manusia. Reflectance adalah jumlah pantulan cahaya untuk gelombang tertentu, yang menentukan warna benda tersebut (Lansel 2011). Spektral reflectance pada permukaan yang halus, semua atau hampir semua energi dipantulkan dangan beraturan. Reflectance pada permukaan kasar, gelombang cahaya dipantulkan ke segala arah. Pada proses fotosintesis pantulan reflectance dapat dilihat pada Gambar 5. Sinar datang
Sinar pantul sempurana
Sinar datang
Permukaan halus
Sinar pantul
Permukaan kasar
Gambar 5 Reflectance pada permukaan Principal Component Analysis Pendekatan dasar dalam Principal Component Analysis (PCA) atau Karhunen-Loéve transform adalah konseptual yang cukup sederhana. Pertama, vektor rata-rata µ berdimensi d dan matrik covariance ∑ berdimensi d×d dihitung
5 dari sebuah dataset yang lengkap. Kemudian, eigenvector dan eigenvalue dihitung, dan diurut berdasakan penurunan nilai eigen (decreasing eigenvalue). Selanjutnya, P eigenvector yang terbesar dipilih (Duda et al. 2000). eigenvector yang dipilih merupakan eigenvector dengan ragam paling besar yang memuat informasi paling banyak. PCA banyak digunakan pada applikasi yaitu: pengenalan wajah, kompresi citra, dan pencarian pola untuk data yang miliki dimensi tinggi. Pada bidang pengolahan citra spektral, PCA adalah salah satu metode yang digunakan untuk estimasi nilai reflectance dari nilai RGB pada piksel tunggal (Zhou 2007). Umumya, PCA didasarkan pada eigenvector yang diperluas dari matrik covarian dari dataset, namun pada studi pencitraan spektral, eigenvector diperluas dari matrik autocorrelation (Kohonen 2006). Tahapan algoritme PCA dalam proses menduga niliai reflectance: 1 Menghitung matrik autocorrelation dari dataset Misalkan ada spektral reflectance dengan N panjang gelombang didefinisikan dalam persamaan (1). , r
ri
,
r
]
(1)
dengan ri( )= spektral reflectance dari objek ke i. Himpunan spektral dari dataset didefinisikan dalam sebuah matrik R sebagai berikut:
(2) dengan N M
= panjang gelombang = Jumlah data spektral reflectance
sehingga matrik autocorrelation dapat dihitung dengan persamaan berikut (Smilde et al. 2004): (3) dengan C M R T 2
= = = =
matrik autocorrelation jumlah data spektral reflectance matrik himpunan spektral reflectance dari dataset fungsi transpose.
Menghitung eigenvector dan eigenvalues dari matrik autocorrelation dengan persamaan seperti di bawah: CV =VE
dengan
(4)
6 V = matrik komponen PCA E = matrik eigenvalue kolom dari matriks V adalah eigenvector dan elemen diagonal dari matriks F adalah eigenvalue. 3 Mengurutkan eigenvector yang koresponden dengan eigenvalue dari yang paling besar ke yang paling kecil. 4 Memilih jumlah P eigenvectors yang paling besar sebagai komponen PCA untuk menduga nilai dipilih reflectance. Pada penelitian ini P=6 eigenvector sebagai komponen PCA. 5 Estimasi nilai reflectance dari warna citra digital RGB dengan persamaan berikut (Mansouri et al 2008): -
(5)
dengan = reflectance yang diduga, V = matriks basis dari spektral reflectance original dari dataset, S = matriks sensitivity, dan D = rata-rata RGB output kamera. T = fungsi transpose. Goodness of Fit Coefficient Goodness of Fit Coefficient (GFC) adalah sebuah fungsi untuk melihat kemiripan antara dua nilai spektral reflectance yang diduga dan spektral yang diukur dengan menggunakan alat reflectance original spectrophotometer pada panjang gelombang dengan N banyak channel spektral dari obyek yang sama (Mansouri et al. 2008). Nilai GFC dibagi menjadi 4 kategori rekonstruksi spektral yaitu GFC ≥ 0.9999 Excellent, 0.999 ≤ GFC < 0.9999 Very Good, 0.99 ≤ GFC <0.999 Good, dan GFC < 0.99 Satisfactory of poor. GFC dapat dihitung sebagai berikut: (6)
Root Mean Square Error Root Mean Square Error (RMSE) adalah fungsi pengukuran nilai error untuk spektral reflectance yang diduga dan spektral reflectance original (Stigell et al. 2007). RMSE dapat dihitung dengan menggunakan persamaan (7). i
i
-
i
(7)
7 Probabilistic Neural Network Probabilistic Neural Network (PNN) diperkenalkan oleh Donal F. Spect tahun 990 dalam tulisan berjudul “Probabilistic Neural Network”. PNN dirancang menggunakan ide dari teori probabilitas klasik yaitu Bayesian dan estimator klasifikasi Parzen untuk Probability Density Function (Ramakrishnan 2008). Metode klasifikasi PNN, kelas ditentukan berdasarkan nilai peluang yang paling maksimum. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan atau keluaran yang dapat dilihat pada Gambar 6.
Gambar 6 Struktur Probabilistic Neural Network Proses-proses yang terjadi pada lapisan yang menyusun PNN adalah sebagai berikut: 1 Lapisan masukan (input layer) merupakan input x terdiri atas c nilai ciri yang akan diklasifikasikan pada n klas. 2 Lapisan pola (pattern layer), pada merupakan perkalian titik (dot product) . Bobot antara vektor input x dan vektor bobot xAi, yaitu vektor xAi merupakan nilai data latih ke-i pada kelas ke-A. Nilai ZA dibagi dengan sigma tertentu σ dan selanjutnya dimasukan dalam fungsi Parzen yaitu g(x) = exp(-x). Dengan demikian persaman yang digunakan pada lapisan pola sebagai berikut: g 3
-
-
-
i
σ
i
(8)
Lapisan penjumlahan (summation layer), merupakan penjumlahan dari setiap pola dari masing-masing kelas sehingga menghasilkan population density function untuk setiap kelas. Persamaan yang digunakan pada lapisan penjumlahan adalah:
8
-
4
-
-
(9)
dengan PA(x) = peluang kelas . c = dimensi vektor input. mA = jumlah data pelatihan di kelas A σ = sigma atau faktor pemulus Lapisan keluaran (output layer), menghasilkan keputusan input x masuk ke dalam suatu kelas. Input x akan diklasifikasikan ke kelas A jika nilai PA(x) paling besar dibandingkan kelas yang lain.
K-fold Cross Validation Cross validation adalah salah satu teknik yang dikembangkan untuk mengevaluasi dan menduga kinerja sistem klasifikasi yang dapat diterapkan untuk data yang kecil maupun besar (Fu 1994). K-fold Cross validation merupakan teknik yang membagi data ke dalam k himpunan bagian yang terpisah dengan ukuran dimensi yang sama H1, H2, H3,…, Hk. k himpunan bagian dibagi menjadi dua subhimpunan bagian, k-1 subhimpunan bagian sebagai data latih dan 1 subhimpunan bagian sebagai data uji. Pelatihan dan pengujian dilakukan pengulangan sebanyak k kali. Pada iterasi pertama, H1 akan menjadi data uji, H2, H3, H4,..., Hk menjadi data latih. Berikutnya iterasi kedua, H2 akan menjadi data uji, H1, H3, H4,…, Hk menjadi data latih, dan seterusnya.
Confusion Matrix Confusion matrix digunakan untuk mengukur kinerja suatu model klasifikasi. Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi (Strinivasulu et al. 2009). Tabel confusion matrix dapat dilihat pada Tabel 1.
Kelas aktual
Tabel 1 Confusion matrix Kelas Prediksi Kelas = 1 Kelas = 0 Kelas = 1 D 11 D 10 Kelas = 0 D 01 D 00
Perhitungan akurasi dengan menggunakan tabel confusion matrix adalah sebagai berikut: u as
(10)
dengan D11 = jumlah data positif yang benar diprediksi oleh model klasifikasi.
9 D10 = jumlah data positif yang salah diprediksi sebagai negatif oleh model klasifikasi. D01 = jumlah data negatif yang salah diprediksi sebagai positif oleh model klasifikasi. D00 = jumlah data negatif yang benar diprediksi oleh model klasifikasi.
METODE Metode penelitian ini terdiri dari lima tahap, yaitu pengumpulan data, praproses, estimasi spektral reflectance menggunakan PCA, identifikasi usia tanaman Jati Belanda menggunakan PNN, dan evaluasi. Diagram metode penelitian dapat dilihat pada Gambar 7. Pemodelan nilai reflectance
Penentuan usia daun Data Citra Daun
Data Citra Daun
Praproses
Praproses
Estimasi nilai reflectance dengan Basis PCA
Estimasi Nilai Reflectance
K-fold cross validation Dataset 1
Dataset 2
Dataset 3
Dataset 4
Polynomial
Polynomial
Polynomial
Polynomial Data Latih
RMSE dan GFC
RMSE dan GFC
RMSE dan GFC
Data Uji
RMSE dan GFC Klasifikasi PNN
Evaluasi Estimasi Reflectance Penentuan Basis PCA Terbaik
Gambar 7 Diagram metode penelitian
Evaluasi Klasifikasi
10 Studi Pustaka Studi pustaka dilakukan untuk mengumpulkan informasi tentang estimasi spektral reflectance dari warna citra digital menggunakan metode PCA dan klasifikasi dengan PNN. Literatur yang digunakan berupa buku, jurnal, skripsi, dan artikel-artikel dari internet. Pengambilan Data Pada penelitian ini, data yang digunakan adalah 23 spesies daun tanaman obat terdari daun muda dan tua dan daun Jati Belanda yang usia 1, 2, dan 3 bulan dan setiap masing-masing usia memilik 50 daun Jati Belanda yang diambil dari kebun Biofarmaka, Cikabayan IPB. Setiap 23 spesies daun tanaman obat terdiri dari daun muda dan daun tua. Penelitian ini juga menggunakan 97 citra standar warna Macbeth. Standar warna 97 Macbet dapat dilihat pada Lampiran 1. Pada proses pengambilan citra, 46 daun dari 23 spesies tanaman obat dan 150 daun Jati Belanda diletakkan di dalam kotak pengambilan citra berukuran 40x40cm yang miliki background putih secara bergantian. Pencahayaan dalam kotak menggunakan lampu tungsten. Hal ini dilakukan agar sumber cahaya yang digunakan pada proses pengambilan citra sama dengan sumber cahaya yang digunakan pada proses pengambilan spektral reflectance sehingga warna pencahayaan yang dihasilkan sama dengan waktu pengambilan nilai reflectace menggunakan spectrophotometer USB 2000. Data diambil dengan menggunakan kamera digital SLR D1100. Ukuran citra sebesar 3888×2592 piksel. Proses pengambilan citra dapat dilihat pada Gambar 8.
Gambar 8 Proses pengambilan data citra
Gambar 9 Proses pengambilan data reflectance Proses pengambilan spektral reflectance menggunakan spectrophotometer, data diukur nilai spektral reflektance-nya dengan cara meletakkan detektor secara
11 tegak lurus dengan obyek yang diamati. Nilai spektral reflectance setaip satu titik piksel muncul di layar monitor komputer secara otomatis. Setiap daun diukur sebanyak enam titik pada bagian bawah tulang daun. Proses Pengambilan nilai spektral reflectance dapat dilihat pada Gambar 9. Praproses Pada tahapan praproses, data 46 citra daun dari 23 jenis spesies tanaman obat dan 150 citra daun Jati Belanda dilakukan proses cropping secara manual. Hasil cropping kemudian di-convert ke nilai RGB. Proses cropping dapat dilihat pada Gambar 10 . Citra daun Jati Belanda di-crop pada bagian bawah tulang daun pada empat titik yang berbeda. Hal ini menghasilkan 200 citra untuk setiap usia daun Jati Belanda (1, 2, dan 3 bulan). Setelah itu dilakukan resize dengan ukuran 100×100 piksel. Sedangkan 46 citra daun tanaman obat di-crop sesuai dengan titik pengambilan nilai spektral reflectance saat menggunakan spectrophotometer.
Citra Asli
Daerah Cropping
Citra Hasil Cropping
Gambar 10 Proses cropping citra Tabel 2 Dataset untuk pemodelan nilai reflectance Dataset Keterangan 1. 2. 3. 4.
Data terdiri 97 warna standar Macbeth Data terdiri 46 citra daun dari 23 spesies tanaman obat masing-masing dua daun Data terdiri 276 potong citra daun dari 23 spesies tanaman obat Data terdiri 97 warna standar Macbeth dan 46 potong citra daun
Pengambilan spektral reflectane dengan spectrophotometer menghasilkan 3,640 channel dari panjang gelombang dari 170nm-880nm. Spektral reflectance yang digunakan berada pada cahaya tampak (visible) yaitu gelombang dari 400nm-700nm. Hal tersebut dilakukan agar panjang gelombang yang dihasilkan sama dengan panjang gelombang saat pengambilan citra dengan menggunakan kamera digital. Potongan spektral reflectance pada daerah visible menghasilkan 1540 channel. Teknik Boxcar 3 digunakan untuk mengurangi jumlah channel, sehingga nilai spektral reflectance terakhir menjadi 515 channel. Terdapat 4 dataset yang digunakan dalam penelitian ini dapat dilihat pada Tabel 2.
12 Pemodelan Nilai reflectance Pemodelan nilai reflectance menggunakan basis PCA untuk menghasilkan nilai estimasi reflectance dari citra digital agar mendekati dengan reflectance yang original menggunakan alat spectrophotometer. Pada penelitian ini, estimasi spektral reflectance dari rata-rata RGB citra digital D menggunakan metode PCA (Mansouri et al. 2008). Persamaan yang digunakan untuk melakukan estimasi spektral reflectance dapat dilihat pada persamaan (5). Matrik sensitivity S dari channel RGB dapat dihitungan dengan persamaan (11) di bawah: (11) dengan S = matriks sensitivity dari channel RGB d = nilai rata-rata RGB dari dataset r+ = pseudoinvers dari matriks spektral reflectance dari dataset Matriks basis atau matriks karakteristik V dapat dicari dengan langkahlangkah berikut (Parkkinen 2007): 1 Perhitungan matriks correlation dari matriks spektral reflectane dari data latih dengan persamaan (3). 2 Pencarian nilai eigenvalue dari matriks correlation. 3 Pencarian nilai eigenvector dari nilai eigenvalue dan matriks correlation. 4 Pengambilan P eigenvector dari P nilai eigenvalue yang terbesar sebagai matriks karakteristik V. Perhitungan matriks S dan V dihitung berdasarkan dataset. Dataset yang digunakan dilihat berdasarkan nilia RMSE dan GFC. Dataset yang menghasilkan pola reflectance yang baik digunakan untuk menduga spektral reflectance dari citra daun Jati Belanda yang berusia 1, 2, dan 3 bulan. Persamaan polynomial yang digunakan pada penelitian ini dapat dilihat pada Tabel 3. Tabel 3 Model Polynomial Orde
Term
Model Polynomial
1
3
RGB
2
4
R G B RGB
Penentuan Usia Daun Jati Belanda K-Fold Cross Validation Pada penelitian ini menggunakan 5-fold cross validation yang membagi data ke dalam 5 himpunan yaitu H1, H2, H3,…, H5. Lima himpunan bagian dibagi menjadi dua bagian, 4 bagian sebagai data latih dan 1 bagian sebagai data uji.
13 Pembagian data dapat diliaht pada Tabel 4. Presentase data latih dan data uji masing-masing sebesar 80% dan 20%. Pelatihan dan pengujian dilakukan pengulangan sebanyak 5 kali. Pada percobaan pertama, H1 akan menjadi data uji, H2, H3, H4,..., H5 menjadi data latih. Berikutnya percobaan kedua, H2 akan menjadi data uji, H1, H3, H4,…, H5 menjadi data latih, dan seterusnya. Tabel 4 Pembagian data latih dan data uji dengan 5-fold cross validation Percobaan Fold 1
Data Uji H1
Data Latih H2,H3,H4,H5
Fold 2
H2
H1,H3,H4,H5
Fold 3
H3
H1,H2,H4,H5
Fold 4
H4
H1,H2,H3,H5
Fold 5
H5
H1,H2,H3,H4
Klasifikasi menggunakan PNN Klasifikasi menggunakan PNN dilakukan untuk mengidentifikasi usia Jati Belanda. Ciri yang dimasukan berupa hasil estimasi sepektral reflectance citra daun Jati Belanda. Pada penelitian ini memiliki tiga kelas berdasarkan usia daun Jati Belanda. Evaluasi Evaluasi dilakukan untuk melihat keefektifan kinerja klasifikasi pada metode estimasi spektral reflectance dengan persamaan yang dibawah: u as
ata u
an b na ata u
( 12)
Lingkungan pengembangan Dalam penelitian ini, spesifikasi perangkat keras dan lunak yang digunakan sebagai berikut:
Processor AMD Athlon(tm) X2 Dual-core QL-60 1.90 GHz, RAM 2.00 GB, Harddisk 160 GB, Kamera Cannon SLR 1100D 12 MP, Spectrophotometer USB2000, Box (kotak pengambilan gambar ), Lampu tungsten, Sistem operasi Windows 7 Ultimate, dan Matlab 7.7.0.
14
HASIL DAN PEMBAHASAN Pada bab ini, akan dijelaskan mengenai kinerja metode PCA untuk memodelkan nilai reflectance. Model nilai reflectance dengan basis yang terbaik digunakan untuk estimasi nilai reflectance citra daun Jati Belanda. Nilai estimasi reflectance tersebut kemudian akan menduga usia dan metode klasifikasi PNN untuk mengetahui kualitas daun tersebut. Pemodelan Nilai Reflectance Nilai reflectance original dan RGB dari masing-masing dataset digunakan untuk menghitung matriks sensitivity dan basis PCA. Hasil tersebut kemudian digunakan untuk menghitung nilai spektral reflectance dari citra daun Jati Belanda yang usia 3 bulan. Hasil nilai reflectance estimasi selanjutnya dibandingkan dengan nilai spektral reflectance original dan dievaluasi berdasarkan nilai RMSE dan GFC. Nilai RMSE dan GFC tersebut dapat menentukan basis atau komponen PCA yang digunakan untuk mengestimasi nilai reflectance. Nilai RMSE dan GFC dari masing-masing dataset dapat dilihat pada Tabel 5. Hasil estimasi nilai reflectance untuk citra daun Jati Belanda usia 3 bulan menggunakan dataset 1, 2 , 3, dan 4 dapat dilihat pada Gambar 11, 12, 13, dan 14. Tabel 5 Nilai RMSE dan GFC dari masing-masing dataset Dataset
RMSE
GFC
1
83.54
0.87
2
601.74
0.86
3
52.46
0.81
4
106.25
0.77
250
Reflectance (%)
200
150 Original
100
Estimasi 50 0 400
500 600 Panjang gelombang (nm)
700
Gambar 11 Estimasi reflectance Jati Belanda usia 3 bulan menggunakan dataset 1
15 250
Reflectance (%)
200
150
Original
100
Estimasi 50 0 400
500 600 Panjang gelombang (nm)
700
Gambar 12 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan dataset 2 250
Reflectance (%)
200
150
Original
100
Estimasi 50 0 400
500 600 Panjang gelombang (nm)
700
Gambar 13 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan dataset 3 250
Reflectance (%)
200 150
Original
100
Estimasi 50 0 400
500 600 Panjang gelombang (nm)
700
Gambar 14 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan dataset 4
16
Informasi terkandung pada Komponen PCA(%)
Berdasarkan Gambar 14, pemodelan nilai reflectance terbaik yang menghasilkan spektral reflectance estimasi yang mendekati dengan spektral reflectance original adalah pemodelan nilai reflectance dengan menggunakan dataset 3. Pemodelan nilai reflectance dengan dataset 3 menghasilkan nilai RMSE sebesar 52.46 paling kecil dari dataset yang lain dan nilai GFC sebesar 0.81. Dataset 3 dapat dilihat pada Lampiran 2. Pemodelan nilai reflectance terbaik yang sudah didapatkan kemudian digunakan untuk menduga nilai spektral reflectance dari citra daun Jati Belanda Estimasi nilai reflectance dihitung dengan menggunakan polynomial yang sudah ditentukan. Estimasi nilai reflectance dari masing-masing orde polynomial kemudian diuji dengan beberapa basis yang terbaik. Hal tersebut dilakukan untuk menduga error estimasi dengan basis yang terpilih. Basis-basis yang terpilih merupakan komponen PCA yang memiliki varian paling besar yang dapat dari nilai eigen positif yang terbesar. Informasi yang terkandung setiap komponen PCA dapat dilihat pada Gambar 15. Nilai eigen dari dataset 3 dapat dilihat Tabel 6. Proporsi basis atau komponen utama yang digunakan dapat dilihat pada Tabel 7. Komponen PCA yang digunakan dapat dilihat pada Lampiran 3. Hasil Estimasi nilai reflectance dengan menggunakan orde 1 yang diuji dengan enam komponen PCA utama dapat dilihat pada Lampiran 4. Hasil estimasi nilai reflectance dengan menggunakan persamaan polynomial orde 2 yang diuji dengan enam komponen PCA utama dapat dilihat pada Lampiran 5. 100
80
60
40
20
0 0
2
4
6
8
10 12 Komponen PCA
14
16
18
20
Gambar 15 Informasi yang terkandung pada masing-masing komponen PCA Tabel 6 Nilai eigen 6 terbesar No 1 2 3 4 5 6
Nilai Eigenvalue 443170.70 21049.79 2926.82 1628.63 1381.16 950.31
Informasi (%) 93.70 4.45 0.61 0.34 0.29 0.20
17 Tabel 7 Persentase proporsi dari variansi komponen PCA ( Basis PCA) Komponen PCA PC1
Proporsi(%) 93.70
PC2
98.10
PC3
98.80
PC4
99.10
PC5
99.40
PC6
99.60
Nilai RMSE dan GFC dengan menggunakan orde 1 dan orde 2 dapat dilihat pada Tabel 8. Tabel 8 RMSE dan GFC dengan menggunakan polynomial orde 1 dan orde 2 Nilai rata GFC dan RMSE Komponen PCA
Orde1
Orde 2
GFC
RMSE
GFC
RMSE
1
0.99
5.72
0.99
5.00
2
0.92
22.57
0.99
9.21
3
0.92
24.25
0.98
9.19
4
0.72
18.59
0.91
15.26
5
0.86
15.71
0.85
15.91
6
0.79
17.91
0.74
18.27
Berdasarkan hasil dari Tabel 8, nilai RSME dengan menggunakan persamaan polynomial orde 2 bernilai lebih kecil sedangkan nilai GFC bernilai rata-rata lebih besar dari persamaan polynomial orde 1. Hasil tersebut menunjukan bahwa estimasi spektral reflectance dengan menggunakan orde 2 menghasilkan paling baik. Komponen PCA dan orde yang terbaik kemudian digunakan untuk estimasi daun Jati Belanda. Pendugaan Usia Daun Jati Belanda Nilai estimasi reflectance sebayak 600 reflectance dari citra daun Jati belanda yang berusia 1, 2 , dan 3 bulan dibagi menjadi data latih dengan proporsi sebesar 80% dan data uji sebesar 20%. Berdasarkan model 5-fold cross validation, jumlah spektral reflectance estimasi dibagi menjadi 5 fold dan masing-masing berdimensi yang sama yaitu 120 data reflectance. Kemudian data uji setiap fold diklasifikasikan menjadi 3 kelas yaitu usia 1 bulan, usia 2 bulan, dan usia 3 bulan dengan menggunakan
18 metode klasifikasi PNN. Hasil akurasi usia daun dengan menggunakan orde 2 dapat dilihat pada Tabel 9. Tabel 9 Akurasi hasil identifikasi citra daun dengan orde 2 Komponen PCA
Akurasi (%)
Nilai segma (σ)
PC1
61.11
0.60
PC3
68.89
0.40
PC4
86.67
0.95
PC5
74.44
0.20
Berdasarkan Tabel 9, estimasi nilai reflectance menggunakan orde 2 dan komponen PC4 menghasilkan nilai akurasi paling besar dari yang lain. Identifikasi dengan akurasi paling besar tersebut diberoleh pada fold 1 yang dapat dilihat pada Tabel 10. Data latih pada fold 1 selanjutnya digunakan untuk membangun sistem identifikasi usia citra daun. Hasil klasifikasi perkiraan usia citra duan Jati Belanda dengan menggunakan fold 1 dapat dilihat pada Tabel 10. Sedangkan hasil klasifikasi setiap daun dapat dilihat pada Lampiran 6. Tabel 10 Akurasi hasil identifikasi usia daun Jati Belanda sebanyak 5 fold 5 fold cross validation
Fold
Testing
Training
Akurasi(%)
1
H1
H2,H3,H4,H5
86.67
2
H2
H1,H3,H4,H5
71.67
3
H3
H2,H1,H4,H5
69.13
4
H4
H2,H3,H1,H5
70.00
5
H5
H1,H2,H3,H4
66.67
Rata-rata
72.82
Tabel 11 Hasil identifikasi usia daun Jati Belanda pada fold 1 Kelas Prediksi
Usia Jati Belanda Bulan 1
Bulan 2
Bulan 3
Akurasi
Bulan 1 Kelas sebenarnya Bulan 2
37
2
1
92.50
4
35
1
87.50
Bulan 3
8
0
32
80.00 86.67
Rata-rata
Hasil rata-rata nilai reflectance setiap bulan dengan menggunakan orde 2 dan komponen PC4 dapat dilihat pada Gambar 16.
19 250
Reflectance (%)
200
150 estimasi_bulan1 estimasi_bulan2
100
estimasi_bulan3 50
0 400
450
500
550
600
650
700
Panjang gelombang (nm) Gambar 16 Hasil rata-rata nilai reflectance untuk bulan 1,2,dan3 dengan orde 2 dan komponen PC4 Jumlah data uji untuk masing-masing bulan sebanyak 40 spektral estimasi. Berdasarkan hasil identifikasi, sebanyak 37 data uji teridentifikasi sebagai daun Jati Belanda berusia 1 bulan, 35 data uji teridentifikasi sebagai daun Jati Belanda berusia 2 bulan, dan 32 data uji teridentifikasi sebagai daun Jati Belanda berusia 3 bulan. Berdasarkan hasil grafik dari Gambar 16, spektral estimasi reflectance pada daun Jati Belanda 1 bulan lebih tinggi dibandingkan daun Jati Belanda yang berusia 2 dan 3 bulan. Hal ini disebabkan, daun Jati Belanda mengandung senyawa aktif lebih sedikit dibandingkan dengan daun 2 dan 3 bulan sehingga penyerapan sinar yang dilakukan oleh daun Jati Belanda 1 bulan lebih sedikit dibandingkan dengan daun Jati belanda 2 dan 3 bulan. Evaluasi Evaluasi kinerja sistem terdiri dari dua proses evaluasi. Evaluasi pertama adalah evaluasi proses estimasi spektral reflectance dan evaluasi kedua adalah evaluasi proses identifikasi. Evaluasi proses estimasi spektral reflectance Berdasarkan Tabel 8 menjelaskan nilai error antara spektral reflectance yang original dan estimasi menggunakan orde 2 dan komponenkomponen PCA dari dataset 3, estimasi nilai reflectance komponen PC1 menghasilkan nilai error RMSE sebesar 5.00 dan nilai GFC sebesar 99.61%. Gambar 16 memberikan gambaran nilai reflectance pada bulan 3 paling rendah dibandingkan dengan bulan yang lain. Hasil ini menjelaskan bahwa daun Jati Belanda pada usia 3 bulan mengandung kadar senyawa aktif lebih banyak dibanding dengan daun Jati Belanda usia 1 dan 2 bulan.
20
Secara umum, pada penelitian ini tingkat error (RMSE) dan GFC dipengaruhi oleh sebaran komponen PCA yang digunakan. Estimasi nilai reflectance dengan komponen PCA yang memiliki proporsi semakin besar, cenderung memiliki nilai error tinggi dibandingkan dengan estimasi yang menggunakan hanya satu komponen (komponen PC1). Evaluasi proses identifikasi usia daun Jati Belanda dengan orde 2. Identifikasi menggunakan komponen PC4 memberikan akurasi terbesar, namuan menghasilkan error lebih besar dari komponen PC1. Hasil akurasi dengan menggunakan komponen PC4 dapat dilihat pada Tabel 11. Hasil identifikasi daun Jati Belanda usia 3 bulan menghasilkan nilai akurasi yang paling rendah dibandingkan dengan nilai akurasi untuk daun Jati Belanda 2 dan 1 bulan. Hal ini disebabkan karena nilai reflectance pada usia 3 dan 1 bulan tidak berbeda jauh sehingga beberapa data daun Jati Belanda yang berusia 3 bulan teridentifikasi sebagai tanaman jati belanda yang berusia 1 bulan. Selain itu, faktor geografis dan lingkungan juga dapat mempengaruhi pertumbuhan tanaman Jati Belanda. Implementasi Sistem
Tahapan implementasi membangun sebuah sistem antarmuka berbasis desktop yang dapat memperkirakan nilai reflectance berdasarkan warna citra digital untuk menduga usia daun Jati Belanda. Citra daun Jati Belanda yang berukuran 100 x 100 piksel diambil dari galeri kemudian data citra masuk ke proses pehitungan nilai reflectance dan usia daun. Antarmuka sistem yang dinamakan “Perkiraan Usia Daun Jati Belanda” dapat dilihat pada Gambar 17. Hasil perkiraan usia duan Jati Belanda dapat dilihat pada Gambar 18.
Gambar 17 Antarmuka sistem perkiraan nilai reflectance dan usia daun Jati Belanda
21
Gambar 18 Tampilan hasil perkiraan nilai reflectance dan usia daun Jati Belanda
SIMPULAN DAN SARAN Simpulan Pada penelitian ini, proses pemodelan spektral reflectance dengan menggunakan metode Principal Componen Analysis (PCA) dengan tiga buah vektor karakteristik eigenvector dari tiga nilai eigenvalue yang terbesar dapat menghasilkan model sepektral yang baik dengan menggunakan dataset 3 (data terdiri dari 276 potong citra daun dari 23 spesies tanaman obat). Hasil estimasi spektral reflectance dari citra daun jati belanda berdasarkan nilai RGB-nya dengan menggunakan orde 2 dan komponen utama PC4 menghasilkan nilai GFC sebesar 91.42% dan RMSE sebesar 15.26. Sistem identifikasi usia daun Jati Belanda menggunkan orde 2 dan komponen PC4 cukup baik untuk menentukan usia daun Jati Belanda dengan akurasi sebesar 86.67%. Perkiraan nilai reflectance daun jati belanda pada usia 1, 2, dan 3 bulan tidak berbeda jauh. Selain itu, beberapa faktor yang lain yang mempengaruhi nilai sepektral reflectance dari daun jati belanda yaitu faktor geografi dan teknik pengambilan citra. Saran Saran untuk penelitan selanjutnya diharapkan: 1 Sistem perkiraan spektral reflectance berdasarkan warna citra digital diharapkan tidak hanya digunakan untuk identifikasi usia daun jati belanda
22
2 3 4 5
tetapi bisa mengganti fungsi spectrophotometer yang dapat mengukur kadar senyawa aktif ada didalamnya secara kuatitatif. Pengambilan data pada waktu yang berbeda untuk mengantisipasi pencahayaan. Menggunakan standar warna dengan RGB-nya yang homogen. Sebaiknya menggunakan dataset sebagai data latih sesuai dengan obyek yang ingin diuji. Perhitungan nilai spetral reflectance dengan alat sebaiknya menggunakan spectrophotometer yang miliki nilai sensitif yang stabil sehingga nilai error yang dihasikan semakin kecil dan spektral estimasi yang dihasilkan semakin mendekati spektral original.
DAFTAR PUSTAKA Anguita D, Ghio A, Ridella S, Sterpi D. 2009. K-fold cross validation for error rate estimate in support vector machines. In Proc. DMIN [internet]. 2009 July 13-16; Las Vegas Amerika Serikat. Las Vegas (US). hlm 291-297. Anuradha VE, Jaleel CA, Salem MA, Gomathinayagam M, Panneerselvam R.2010. Plant growth regulators induced changes in antioxidant potential and andrographolide content in Andrographis paniculata Wall.ex Nees. Pesticide Biochemistry and Physiology. 98:312-316. Azizah N. 2013. Perkiraan Nilai Reflectance Berdasarkan Warn Citra Digital Menggunakan Wienner Estimation untuk Menduga Usia Tanaman Sambiloto[Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Budityastomo H. 2010. Pengaruh Pemberian Franksi Etanolik Ekstrak Bawang Dayak (Eleutherine palmifolia L., Merr.) Terhadap Tingkat Ekspresi Cyclin-E Galur Hela (HPV High Risk Type) [Tesis]. Semarang (ID): PPDS I Obstetri dan Ginekologi FK UNS/RSUD Dr. Moewardi Surakarta. Depkes RI. 2000. Parameter Standar Umum Ekstrak Tumbuhan Obat. Jakarta : Direktorat Jenderal Pengawasan Obat dan Makanan. Duda OR, Hart PE, Stork DG. 2000. Pattern Classification 2nd ed. New York (US): Wiley-Interscience. Fathniyah VEF. 2011. Pengambangan Fotometer Jinjing untuk Kendali Mutu Rimpang Temulawak (Curcuma xanthorriza) [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Fu LM. 1994. Neural Networks in Computer Intelligence. Singapore: Mc GrawHill. Heye K. 1987. Tumbuhan Berguna Indonesia. Jakarta (ID): Baban Litbang Kehutanan. 3: 1348-1349. Gonzalez RC, Woods RE. 2002. Digital Image Processing. New Jersey (US): Prentice Hall. Kohonen O, Hauta-Kasari M. 2006. Importance of the Texture Features in Query from a Spectral Image Database. International Symposium on Multispectral Color Science, 8th ed. USA
23 Lansel SP. 2011. Local Linear Learned Method for Image and Reflectance Estimation[Disertasi]. Stanford University Mansouri A, Sliwa T, Hardeberg JY, Voisin Y. 2008. An Adaptive-PCA Algorithm For Reflectance Estimation From Color Images. Di dalam: Pattern Recognition. 2008. ICPR 2008. International Conference on, 19th ed. Florida[US]: IEEE. hlm 1-4 Mao J, Xu J . 2006. Discrimination of herbal medicines by molecular spectroscopy and chemical pattern recognition. Spectrochim Acta. 65.497-500. Mattjik AA, Sumertajaya IM. 2011. Sidik Peubah Ganda dengan Menggnakan SAS. Wibawa GNA; Hadi AF, editor. Bogor (ID): IPB Pr. Parkkinen J. 2007. Digital Color Lectures. University of Joensuu. Prapanza I, Marianto LA. 2003. Khasiat dan manfaat sambiloto: Raja Pahit Penakluk Aneka Penyakti. Jakarta: PT Agromedia Pustaka. Singh SK, Jha SK, Chaudhary, Yadava RDS, Rai SB. 2010. Quality control of herbal medicines by using spectroscopic techniques and multivariate statistical analysis. Pharmaceut Biol 48:134-141. Smilde A, Bro R, Geladi. 2004. Multi-Way to Analysis. Wiley. West Sussex (GB). Inggris. Srinivasulu P, Nagaraju D, Kumar PR, Rao KN. 2009. Classifying the network intrusion attacks using data mining classification methods and their performance comparison. IJCSNS [Internet]. [diunduh 2012 Sept 2]; 9(6):1118.Tersedia pada: http://paper.ijcsns.org/07_book/200906/20090602.pdf Stigell P, Miyata K. Kasari MH. 2007. Wiener estimation method in estimating of spectral reflectance from RGB image. Pattern Recognition and Image Analysis. 17(2): 233-242. doi: 10.1134/S1054661807020101. Suganda, AG. 2007. Jati Belanda. Jakarta: Badan Pengawas Obat dan Makanan, Direktorat Obat Asli Indonesia. Halaman 4-16. Sulaksana J, Jayusman DI. 2005. Kemuning dan Jati Belanda, Budidaya dan Pemanfaatan untuk Obat. Jakarta : Penebar Swadaya. 21-5, 49-51 Ramakrishnan S, Emary I. 2008. Comparative Study Between Traditional and Modified Probabilistic Neural Network. India : Springer Science. Zhou Y. 2007. Index and Search in a Spectral Imaging Database by PCA and NMF for Archiving Paintings Application. Finland (FI): Department of Computer Science and Statistics. University of Joensuu. hlm 18-20. [XR] X-Rite.2007. The Guide to Understanding Color Communication. USA.
24 Lampiran 1 Warna 97 standar Macbeth
W1
W2
W3
W4
W5
W6
W7
W8
W9
W 10
W 11
W 12
W 13
W 14
W 15
W 16
W 17
W 18
W 19
W 20
W 21
W 22
W 23
W 24
W 25
W 26
W 27
W 28
W 29
W 30
W 31
W 32
W 33
W 34
W 35
W 36
W 37
W 38
W 39
W 40
W 43
W 44
W 45
W 46
W 47
W 48
W 49
W 50
W 51
W 52
W 53
W 54
W 55
W 56
W 57
W 58
W 59
W 60
W 41
W 42
25
W 61
W 62
W 63
W 64
W 65
W 66
W 67
W 68
W 69
W 70
W 71
W 72
W 73
W 74
W 75
W 76
W 77
W 78
W 79
W 80
W 81
W 82
W 83
W 84
W 85
W 86
W 87
W 88
W 89
W 90
W 93
W 94
W 95
W 91
W 92
W 96
W 97
Lampiran 2 Data 276 potong citra daun dari 23 spesies tanaman obat
W1
W2
W3
W4
W5
W6
W7
W8
W9
W 10
W 11
W 12
W 13
W 14
W 15
W 16
W 17
W 18
W 19
W 20
W 21
26 W 22
W 23
W 24
W 25
W 26
W 27
W 28
W 29
W 30
W 31
W 32
W 33
W 34
W 35
W 36
W 37
W 38
W 39
W 40
W 41
W 42
W 43
W 44
W 45
W 46
W 47
W 48
W 49
W 50
W 51
W 52
W 53
W 54
W 55
W 56
W 57
W 58
W 59
W 60
W 61
W 62
W 63
W 64
W 65
W 66
W 67
W 68
W 69
W 70
W 71
W 72
W 73
W 74
W 75
W 76
W 77
W 78
W 79
W 80
W 81
W 82
W 83
W 84
W 85
W 86
W 87
W 88
W 89
W 90
W 91
W 92
W 93
W 94
W 95
W 96
W 97
W 98
W 99
W 100
W 101
W 102
W 103
W 104
W 105
W 106
W 107
W 108
W 109
W 110
W 111
W 112
27 W 113
W 114
W 115
W 116
W 117
W 118
W 119
W 120
W 121
W 123
W 123
W 124
W 125
W 126
W 127
W 128
W 129
W 130
W 131
W 132
W 133
W 134
W 135
W 136
W 137
W 138
W 139
W 140
W 141
W 142
W 143
W 144
W 145
W 146
W 147
W 148
W 149
W 150
W 151
W 152
W 153
W 154
W 155
W 156
W 157
W 158
W 159
W 160
W 161
W 162
W 163
W 164
W 165
W 166
W 167
W 168
W 169
W 170
W 171
W 172
W 173
W 174
W 175
W 176
W 177
W 178
W 179
W 180
W 181
W 182
W 183
W 184
W 185
W 186
W 187
W 188
W 189
W 190
W 191
W 192
W 193
W 194
W 195
W 196
W 197
W 198
W 199
W 200
W 201
W 202
W 203
28 W 204
W 205
W 206
W 207
W 208
W 209
W 210
W 211
W 212
W 213
W 214
W 215
W 216
W 217
W 218
W 219
W 220
W 221
W 222
W 223
W 224
W 225
W 226
W 227
W 228
W 229
W 230
W 231
W 232
W 233
W 234
W 235
W 236
W 237
W 238
W 239
W 240
W 241
W 242
W 243
W 244
W 245
W 246
W 247
W 248
W 249
W 250
W 251
W 252
W 253
W 254
W 255
W 256
W 257
W 258
W 259
W 260
W 261
W 262
W 263
W 264
W 265
W 266
W 267
W 268
W 269
W 270
W 271
W 272
W 273
W 274
W 275
W 276
29 Lampiran 3 Enam komponen utama First PC
Second PC
0.5
0.5
0
0 400
550
700
-0.5
400
700
-0.5
Third PC
Fourth PC
0.5
0.5
0
0 400
550
400
700
550
700
-0.5
-0.5
Sixth PC
Fifth PC 0.5
0.5
0
0 400
-0.5
550
550
700
400
-0.5
550
700
30 Lampiran 4 Estimasi nilai reflectance dengan persamaan polynomial orde 1 300
Reflectance (%)
250
200 Original Komponen PC1 150
Komponen PC2 Komponen PC3 Komponen PC4
100
Komponen PC5 Komponen PC6 50
0 400
450
500
550
600
650
700
Panjang gelombang (nm) Lampiran 5 Estimasi nilai reflectance dengan persamaan polynomial orde 2 250
Reflectance (%)
200
KomponenPC1
150
KomponenPC2 KomponenPC3 KomponenPC4
100
KomponenPC5 KomponenPC6 Original
50
0 400
450
500
550
600
Panjang gelombang (nm)
650
700
31 Lampiran 6 Hasil klasifikasi usia daun dengan nilai sigma sebesar 0.95 Daun 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Usia (Bulan) 1 1 1 1 1 1 1 3 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1
Daun 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
Usia (Bulan) 2 2 2 2 2 2 2 2 1 2 1 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 2 2 1 2 2
Daun 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
Usia (Bulan) 3 1 3 1 1 1 3 1 3 3 3 3 3 3 3 3 3 3 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 3 3 1
32
RIWAYAT HIDUP Penulis dilahirkan di Krouch Chma, propinsi Konpong Cham, Negara Kamboja pada tanggal 1 November 1988. Penulis merupakan anak pertama dari tiga bersaudara dari pasangan Bapak El Ly (Aly Mustafa bin Ismael ) dan Ibu Sim Hapisorh ( Hapisorh binti Kosim). Pada tahun 2007 penulis lulus beasiswa Islamic Development Bank. Tahun yang sama, penulis diterima di Institut Pertanian Bogor (IPB) sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan. Selama mengikuti perkuliahan di IPB, penulis pernah aktif pada Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) periode 2009/2010. Pada tahun 2012 penulis menjakankan praktik lapangan di balai kota Bogor.
