PENENTUAN KONDISI PEMOTRETAN OPTIMUM UNTUK PENDUGAAN TINGKAT WARNA DAUN PADI DENGAN MENGGUNAKAN KAMERA TELEPON SELULER SKRIPSI

PENENTUAN KONDISI PEMOTRETAN OPTIMUM UNTUK PENDUGAAN TINGKAT WARNA DAUN PADI DENGAN MENGGUNAKAN KAMERA TELEPON SELULER

SKRIPSI

MARKO MITOKONA CIBRO F14070096

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2012

DETERMINATION OF THE OPTIMUM SHOOTING CONDITIONS IN ESTIMATING PADDY LEAF COLOR LEVEL BY USING A HANDPHONE CAMERAS

Marko Mitokona Cibro and I Wayan Astika Department of Mechanical and Biosystem Engineering, Faculty of Agricultural Engineering and Technology, Bogor Agricultural University (IPB), Darmaga IPB Campus, PO Box 220, Bogor, West Java, Indonesia Phone 62 821 63661627, e-mail: [email protected]

ABSTRACT Leaf color is an indicator that can be used to predict paddy fertilizer need. Handphone cameras can be used to measure the leaf color replacing the function of leaf color chart as the handphone technology has spread to farmer level. This research continues the previous research that still has low accuracy. The objective of the research is to determine the optimum shooting conditions in the estimation of paddy leaf color level using a handphone cameras. Rice leaf is slipped between user's finger on his/her palm, and the image is taken under body shadow. This image is then processed to get the RGB (red, green, blue) color components and then formulated with KNN to determine the color level. The KNN formulation was for every mobile phone type. It was found that the accuracy is affected by light intensity and the full fillment image frame. The best accuracy was found at 800-5000 lux light intensity and with a full frame image palms. The best accuracy was found to best shooting conditions with a image frame full of palm skin image at low light intensity, Samsung Ace was 87%, Sony Ericsson SK 17i was 93%, LG P698 was 91%, Samsung GT was 90%, Nexian was 93%.

Key word: leaf colour chart, image processing, handphone

MARKO MITOKONA CIBRO. F14070096. Penentuan Kondisi Pemotretan Optimum untuk Pendugaan Tingkat Warna Daun Padi dengan Menggunakan Kamera Telepon Seluler. Dibawah bimbingan I Wayan Astika 2012

RINGKASAN Penelitian ini melanjutkan penelitian Astika (2010) yang masih memiliki akurasi yang rendah. Telepon seluler dipilih sebagai instrumen karena kemampuan telepon seluler untuk diprogram termasuk kameranya, dan diprediksikan teknologi telepon seluler akan menyebar sampai ke tingkat petani. Jika ada aplikasi yang dapat dipakai membantu petani maka sangat praktis jika aplikasi itu dimuat di dalam telepon seluler karena dapat diakses kapan saja oleh petani. Dosis pemupukan yang tepat diharapkan dapat meningkatkan efisiensi pemakaian pupuk anorganik dengan memberikan dosis pemupukan yang tepat, meningkatkan produktivitas lahan karena unsur hara seimbang, sehingga meningkatkan hasil produksi tanaman padi, dan mengurangi cemaran lingkungan akibat kelebihan pupuk di lahan. Contoh daun padi diletakkan di atas telapak tangan petani dan dicitra pada berbagai intensitas cahaya lapangan. Citra warna daun padi dan RGB latar belakang (warna telapak tangan) diekstrak untuk mendapatkan komponen warna RGB. Komponenkomponen warna RGB diproses oleh program komputer untuk menentukan tingkat warna daun. Tingkat warna daun dan rekomendasi dosis pemupukan mengikuti standar warna dan dosis pupuk dalam bagan warna daun yang dikeluarkan oleh IRRI. Kegiatan penelitian ini dibagi dalam dua kegiatan yaitu melakukan penanaman padi di tiga daerah yaitu : 1) Bogor, 2) Karawang, dan 3) Cianjur dilaksanakan dari bulan Februari sampai bulan Juli dengan berbagai taraf pemupukan dengan tujuan untuk mendapatkan keberagaman tingkat warna daun padi, dan melakukan analisis pengolahan citra dengan program komputer yang dipakai untuk melakukan pengolahan citra dengan program komputer. Ada lima merek telepon seluler yaitu : Samsung Galaxy Ace S5830, Sony Ericsson SK17i, LG P698, Samsung GT-S5360, dan Nexian A698 dipakai dalam penelitian ini, masing-masing akan mempunyai patokan komponen warna sendiri karena masing-masing memiliki penyetelan kamera yang berbeda-beda, terutama dalam dominansi warna dan kecerahan. Citra terkumpul sebanyak 16.000 buah citra. Untuk membuat database warna patokan, berbagai tingkat warna daun padi diambil dan memotret daun padi yang dililitkan pada jari tengah. Faktor yang mempengaruhi akurasi dalam pengolahan citra adalah intensitas cahaya, dan penuh atau tidaknya frame latar belakang. Kondisi optimum pengambilan citra dilakukan dengan memotret daun padi di bawah bayangan tubuh untuk menghindari penyinaran yang berlebihan dan latar belakang frame harus dipenuhi oleh citra telapak tangan agar tidak ada objek lain yang masuk ke dalam frame citra. Untuk menghasilkan akurasi yang tinggi, pengambilan citra dilakukan pada saat intensitas cahaya rendah sekitar 800-5000 lux. Akurasi terbaik pengolahan komponen RGB dengan pengenalan pola kNN pada intensitas cahaya rendah dengan frame dipenuhi oleh citra telapak tangan, telepon seluler bermerek Samsung Ace menghasilkan akurasi 87%, Sony Ericsson SK17i 93%, LG P698 91%, Samsung GT 90%, Nexian 93%. Untuk mendapatkan akurasi yang lebih baik, dalam kegiatan penelitian selanjutnya perlu dilakukan hal-hal berikut, yaitu 1) Perlu dibuat petak perlakuan yang lebih intensif pemupukannya sehingga akan dihasilkan tingkat warna daun padi 4.5 dan 5 karena sampai saat ini tingkat warna daun itu belum bisa dihasilkan, 2) pengambilan citra daun padi dilakukan secara konsisten pada selang intensitas cahaya yang rendah, yaitu pagi hari pada pukul 07.00-09.00 WIB dan sore hari pada pukul 15.00-17.00 WIB dengan intensitas cahaya sekitar 800-5000 lux.

PENENTUAN KONDISI PEMOTRETAN OPTIMUM UNTUK PENDUGAAN TINGKAT WARNA DAUN PADI DENGAN MENGGUNAKAN KAMERA TELEPON SELULER

SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar SARJANA TEKNOLOGI PERTANIAN pada Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh MARKO MITOKONA CIBRO F14070096

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2012

Judul Skripsi

: Penentuan Kondisi Pemotretan Optimum untuk Pendugaan Tingkat Warna Daun Padi dengan Menggunakan Kamera Telepon Seluler

Nama

: Marko Mitokona Cibro

NIM

: F14070096

Menyetujui,

Pembimbing ,

(Dr.Ir. I Wayan Astika, M.Si) NIP.19631031 198903 1 002

Mengetahui : Ketua Departemen,

(Dr.Ir. Desrial, M.Eng) NIP. 19661201 199103 1 004

Tanggal lulus : 13 September 2012

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Penentuan Kondisi Optimum untuk Pendugaan Tingkat Warna Daun Padi dengan Menggunakan Kamera Telepon Seluler adalah hasil karya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan tinggi manapun. 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.

Bogor, 13 September 2012 Yang membuat pernyataan

Marko Mitokona Cibro F14070096

© Hak Cipta milik Institut Pertanian Bogor, tahun 2012 Hak cipta dilindungi

Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, Sebagian atau seluruhnya dalam bentuk apapun, baik cetak, citrakopi, microfilm, dan sebagainya

BIODATA PENULIS

Marko Mitokona Cibro. Lahir di Salak, Kabupaten Pakpak Bharat, Sumatera Utara, 15 Mei 1989. Penulis merupakan anak dari pasangan ayah Natar Cibro dan ibu Hermina Boangmanalu. Penulis merupakan putra kedua dari enam bersaudara. Penulis menamatkan Sekolah Dasar di SD Negeri 1 Pakpak Bharat pada tahun 2001. Kemudian, penulis melanjutkan sekolah ke SMP Negeri 1 Pakpak Bharat dan lulus pada tahun 2004. Selanjutnya, penulis menamatkan sekolah menengah atas di SMA Negeri 1 Pakpak Bharat pada tahun 2007 dan pada tahun yang sama diterima di IPB melalui jalur Beasiswa Utusan Daerah (BUD) IPB. Penulis memilih Program Studi Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Selama mengikuti perkuliahan, penulis aktif di berbagai kegiatan termasuk menjadi asisten praktikum Motor dan Tenaga Pertanian pada tahun 2009-2010. Penulis melaksanakan praktik lapangan pada tahun 2010 di Dinas Pertanian Tanaman Pangan dan Holtikultura Kabupaten Cianjur, Jawa Barat dengan judul Mempelajari Mekanisasi Pertanian di Daerah Kabupaten Cianjur. Pada bulan Juli tahun 2012, materi penelitian ini diseminarkan dalam Seminar Nasional Persatuan Teknik Pertanian Seluruh Indonesia di Bali. Sebagai tugas akhir untuk memperoleh gelar sarjana di IPB, penulis melakukan penelitian dengan judul “Penentuan Kondisi Pemotretan Optimum untuk Pendugaan Tingkat Warna Daun Padi dengan Menggunakan Kamera Telepon Seluler”.

KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa yang telah memberi berkat berlimpah dan kekuatan yang luar biasa, sehingga penulis dapat menyelesaikan penelitian dengan judul “Penentuan kondisi pemotretan optimum untuk pendugaan tingkat warna daun dengan menggunakan kamera telepon seluler”. Penelitian ini dilaksanakan di lahan petani di Desa Leuweungkolot Bogor, lahan petani di Kampung Cibungur Karawang, dan lahan petani di Kampung Saranpad Cianjur sejak bulan Maret sampai Juli 2012. Dengan selesainya penelitian sehingga tersusunnya skripsi ini, penulis ingin menyampaikan penghargaan dan ucapan terima kasih yang sebesar-besanya kepada : 1. Dr. Ir. I Wayan Astika, M.Si sebagai dosen pembimbing utama. 2. Dr. Ir. E. Namaken Sembiring, MS sebagai dosen pembimbing akademik. 3. Dr. Ir. Radite Praeko A. S., M.Agr dan Dr. Ir. Gatot Pramuhadi, M.Si atas saran dan masukan yang telah diberikan sebagai dosen penguji. 4. Ayahanda (N. Cibro), Ibunda (H.Boangmanalu), Adik (Suri, Impana, Njuah, Kelleng), Kakak (Lolo) dan semua keluarga di kampung yang selalu memberikan dorongan, dukungan, serta doanya kepada penulis. 5. Liba Silvia Bunga Kasih selaku teman sepenelitian penulis, Iqbal Saputra S.TP Alumni TEP 42 terima kasih atas dukungan pemograman Android nya, Agra TEP 44, Fiky TEP 45, Diza Puspa Arista TEP 45, Rocky Tobing THH 45, Brian Sembiring TMB 47, Nikodemus Ginting, STP terima kasih atas tenaga dan waktunya untuk membantu dalam pengambilan data penelitian, dan Nikodemus Ginting TEP 44 selaku teman penulis mengerjakan skripsi, 6. Pak Gojali dan Pak Andri atas saran dan bantuannya selama penelitian. 7. Bang Kalyubi, S.TP lumni TEP 35 beserta keluarga di Pasir Putih Situ Udik yang membantu dalam pelaksanaan penelitian ini. 8. Pak Rahmat beserta keluarga, pekerja lapangan dan warga sekitar lahan Leuwingkolot yang telah membantu dalam pelaksanaan penelitian ini. 9. Pak Deni, Pak Haji Zaenal beserta keluarga, Mang Ulloh beserta keluarga, dan semua warga Kampung Saranpad, Kabupaten Cianjur, yang telah membantu dalam pelaksanaan penelitian ini. 10. Pak Entis beserta keluarga, Pak Haji Karda, abah di saung sawah, Mang Ita dan semua pekerja lapangan di lahan penelitian Kampung Cibungur, Kabupaten Karawang, yang telah membantu dalam pelaksanaan penelitian ini. 11. Teman-teman seperjuangan Teknik Mesin dan Biosistem angkatan 44 (2007) “Ensemble” terima kasih atas kebersamaannya yang tidak terlupakan. 12. Seluruh pihak yang telah membantu dalam penelitian ini, baik segi moral maupun material yang tidak dituliskan di atas. Penulis menyadari bahwa masih ada kekurangan dalam penelitian ini. Oleh karena itu, kritik dan saran sangat penulis harapkan untuk perbaikan di masa depan. Akhir kata penulis berharap semoga tulisan ini bermanfaat dan memberikan kontribusi yang nyata terhadap perkembangan ilmu pengetahuan di bidang teknik pertanian.

Bogor, 13 September 2012

Marko Mitokona Cibro

DAFTAR ISI Halaman

KATA PENGANTAR .................................................................................... iii DAFTAR ISI .................................................................................................. iv DAFTAR TABEL .......................................................................................... vi DAFTAR GAMBAR...................................................................................... viii DAFTAR LAMPIRAN .................................................................................. ix I.

PENDAHULUAN A. LATAR BELAKANG .......................................................................................... 1 B. TUJUAN PENELITIAN........................................................................................ 2 C. MANFAAT ........................................................................................................... 2

II.

TINJAUAN PUSTAKA A. B. C. D. E. F. G. H. I.

UNSUR HARA ..................................................................................................... 3 PEMUPUKAN ...................................................................................................... 4 BAGAN WARNA DAUN ..................................................................................... 6 PENGOLAHAN CITRA ....................................................................................... 8 K-Nearest Neighbor (KNN) ................................................................................... 12 PRINSIP KERJA KAMERA ................................................................................. 13 PERTANIAN PRESISI ......................................................................................... 15 PENELITIAN TERDAHULU ............................................................................... 15 APLIKASI SEJENIS YANG TELAH DITEMUKAN ............................................ 17

III. METODOLOGI PENELITIAN A. B. C. D. E. F.

WAKTU DAN TEMPAT PENELITIAN ............................................................... 20 ALAT DAN BAHAN PENELITIAN ..................................................................... 20 TAHAPAN PENELITIAN .................................................................................... 21 PERLAKUAN BUDIDAYA PADI........................................................................ 23 PENGAMBILAN DATA ...................................................................................... 26 METODE ANALISIS DAN PERANCANGAN ..................................................... 27

IV. HASIL DAN PEMBAHASAN A. B. C. D. E. F. G. H.

KEBERAGAMAN TINGKAT WARNA DAUN PADI ......................................... 28 PENGOLAHAN KOMPONEN WARNA RGB DENGAN VISUAL BASIC ......... 31 HUBUNGAN KOMPONEN RGB DENGAN TINGKAT WARNA DAUN ........... 34 PEMOTRETAN CITRA BERBAGAI TINGKAT WARNA DAUN ...................... 35 PEMOTRETAN CITRA BERBAGAI TINGKAT INTENSITAS CAHAYA.......... 37 ANALISIS CITRA DENGAN FRAME CITRA TELAPAK TANGAN ................. 38 PEMOTRETAN CITRA BERBAGAI WARNA KULIT TELAPAK TANGAN..... 47 ANALISIS STATISTIKA ..................................................................................... 51

iv

V.

KESIMPULAN DAN SARAN A. KESIMPULAN ..................................................................................................... 52 B. SARAN................................................................................................................. 53

DAFTAR PUSTAKA ..................................................................................... 54 LAMPIRAN ................................................................................................... 57

v

DAFTAR TABEL

Halaman 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19.

20.

21.

22.

Tabel 1. Takaran pupuk urea yagn diperlukan bila daun dibawah nilai kritis ..................... 6 Tabel 2. Takaran pupuk urea sesuai skala bagan warna daun ............................................ 7 Tabel 3. Akurasi pendugaan tingkat warna daun penelitian sebelumnya (Astika, 2010) ..... 16 Tabel 4. Dosis perlakuan pupuk lahan Bogor ................................................................... 23 Tabel 5. Dosis perlakuan pupuk lahan Karawang .............................................................. 24 Tabel 6. Dosis perlakuan pupuk lahan Cianjur .................................................................. 25 Tabel 7. Perlakuan dosis pemupukan sesuai bagan warna daun lahan Cianjur.................... 25 Tabel 8. Hubungan waktu terhadap intensitas cahaya ........................................................ 37 Tabel 9. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame dipenuhi oleh citra telapak tangan (Samsung Ace) ........................................................... 39 Tabel 10. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame dipenuhi oleh citra telapak tangan (Sony Ericsson SK17i) ............................................... 39 Tabel 11. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame dipenuhi oleh citra telapak tangan (LG) ............................................................................ 40 Tabel 12. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame dipenuhi oleh citra telapak tangan (Samsung GT) ............................................................ 40 Tabel 13. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame dipenuhi oleh citra telapak tangan (Nexian) ..................................................................... 41 Tabel 14. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame tidak dipenuhi oleh citra telapak tangan (Samsung Ace) ................................................... 42 Tabel 15. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame tidak dipenuhi oleh citra telapak tangan (Sony Ericsson SK17i) ........................................ 42 Tabel 16. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame tidak dipenuhi oleh citra telapak tangan (LG) ................................................................... 43 Tabel 17. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame tidak dipenuhi oleh citra telapak tangan (Samsung GT) .................................................... 43 Tabel 18. Akurasi pendugaan tingkat warna daun dengan intensitas rendah dan frame tidak dipenuhi oleh citra telapak tangan (Nexian) ............................................................. 44 Tabel 19. Akurasi pendugaan tingkat warna daun foto dengan frame yang dipenuhi oleh citra telapak tangan dicampur dengan foto dengan frame tidak dipenuhi oleh citra telapak tangan saat intensitas rendah (Samsung Ace) ........................................................ 45 Tabel 20. Akurasi pendugaan tingkat warna daun foto dengan frame yang dipenuhi oleh citra telapak tangan dicampur dengan foto dengan frame tidak dipenuhi oleh citra telapak tangan saat intensitas rendah (Sony Ericsson SK17i) ............................................ 45 Tabel 21. Akurasi pendugaan tingkat warna daun foto dengan frame yang dipenuhi oleh citra telapak tangan dicampur dengan foto dengan frame tidak dipenuhi oleh citra telapak tangan saat intensitas rendah (LG) ........................................................................ 46 Tabel 22. Akurasi pendugaan tingkat warna daun foto dengan frame yang dipenuhi oleh citra telapak tangan dicampur dengan foto dengan frame tidak dipenuhi oleh citra telapak tangan saat intensitas rendah (Samsung GT) ......................................................... 46 vi

23. Tabel 23. Akurasi pendugaan tingkat warna daun foto dengan frame yang dipenuhi oleh citra telapak tangan dicampur dengan foto dengan frame tidak dipenuhi oleh citra telapak tangan saat intensitas rendah (Nexian) .................................................................. 47 24. Tabel 24. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame penuh (Samsung Ace) ........................................................... 48 25. Tabel 25 Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame penuh (Sony Ericsson SK17i) ................................................ 49 26. Tabel 26. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame penuh (LG) ........................................................................... 49 27. Tabel 27. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame penuh (Samsung GT) ............................................................ 50 28. Tabel 28. Akurasi pendugaan tingkat warna daun berdasarkan warna kulit telapak tangan, intensitas rendah dan frame penuh (Nexian ) .................................................................... 50

vii

DAFTAR GAMBAR Halaman Gambar 1.

Kegiatan pemupukan padi ............................................................................... 5

Gambar 2.

Bagan warna daun 4 level (IRRI) .................................................................... 7

Gambar 3.

Proses pengolahan citra (Murni,1992).............................................................. 8

Gambar 4.

Elemen sistem pengolahan citra (Arymurthy dan Setiawan,1992)..................... 10

Gambar 5.

RGB aditif circle (Lillesand dan Kiefer, 1979) .................................................11

Gambar 6.

Ilustrasi teknik klasifikasi KNN (Fukunaga, 1997) ...........................................12

Gambar 7.

Konfigurasi model neural network (Prabawa,2006) .........................................13

Gambar 8.

KNN untuk pengenalan pola (Astika, 2011)..................................................... 15

Gambar 9.

Metoda pengambilan citra (Astika, 2010) ........................................................16

Gambar 10. Contoh hasil pengamatan tingkat warna daun (Astika, dkk; 2010) ...................16 Gambar 11. Leaf coder (Anonim, 2012) ............................................................................. 17 Gambar 12. Contoh pengambilan citra daun padi dengan leaf coder (Anonim, 2012)...........17 Gambar 13. Tampilan awal PHSL ......................................................................................18 Gambar 14. Tampilan pertanyaan PHSL ............................................................................. 19 Gambar 15. Tampilan akhir rekomendasi PHSL .................................................................19 Gambar 16. Luxmeter ........................................................................................................ 20 Gambar 17. Berbagai merek telepon seluler ........................................................................21 Gambar 18. Bagan warna daun 4 level (IRRI) .....................................................................21 Gambar 19. Diagram alir penelitian ....................................................................................22 Gambar 20. Contoh pengambilan citra daun padi ................................................................23 Gambar 21. Formulasi kNN hubungan komponen warna daun dan tingkat warna daun........27 Gambar 22. Pemetaaan keragaman warna daun padi dengan manual di lahan Bogor ............29 Gambar 23. Pemetaaan keragaman warna daun padi dengan manual di lahan Karawang......30 Gambar 24. Pemetaaan keragaman warna daun padi dengan manual di lahan Cianjur ..........31 Gambar 25. Tampilan program ekstraksi RGB membuka dan memilih file ..........................32 Gambar 26. Tampilan program pengolahan citra untuk ekstraksi komponen warna daun dengan frame penuh......................................................................33 Gambar 27. Tampilan program pengolahan citra untuk ekstraksi komponen warna daun dengan frame tidak penuh .............................................................33 Gambar 28. Tampilan program pengenalan pola kNN .........................................................34 Gambar 29. Perangkat sensor untuk penentuan tingkat warna daun (Astika, dkk; 2010) ....... 36 Gambar 30. Metode pengambilan citra dari udara (Astika, dkk; 2010)................................. 36 Gambar 31. Citra dengan frame yang dipenuhi oleh citra telapak tangan .............................38 Gambar 32. Citra dengan frame yang tidak dipenuhi oleh citra telapak tangan .....................41

viii

DAFTAR LAMPIRAN

Halaman 1. 2. 3. 4. 5. 6. 7. 8. 9.

10.

11. 12.

13. 14. 15. 16. 17. 18. 19. 20.

Lampiran 1. Spesifikasi singkat telepon seluler................................................................. 58 Lampiran 2. Contoh hubungan antara komponen warna citra dengan tingkat warna daun (SamsunGalaxy) .............................................................................................................. 60 Lampiran 3. Contoh hubungan antara komponen warna citra dengan tingkat warna daun untuk telepon seluler Sony Ericsson ................................................................................. 61 Lampiran 4. Contoh hubungan antara komponen warna citra dengan tingkat warna daun ( LG) .............................................................................................................................. 62 Lampiran 5. Contoh hubungan antara komponen warna citra dengan tingkat warna daun ( Samsung GT) ................................................................................................................ 63 Lampiran 6. Contoh hubungan antara komponen warna citra dengan tingkat warna daun (Nexian) .......................................................................................................................... 64 Lampiran 7. Contoh hasil uji beda nyata one way-annova berdasarkan intensitas digabung dan warna kulit telapak tangan digabung ( Samsung Galaxy) ............................. 65 Lampiran 8. Contoh hasil analisis uji beda nyata komponen warna tangan dan daun terhadap tingkat warna daun............................................................................................. 67 Lampiran 9. Contoh Contoh hasil analisis uji beda nyata komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan saat intensitas cahaya rendah (800-5000 lux) ................................................................................................................. 68 Lampiran 10. Contoh hasil analisis uji beda nyata komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan saat intensitas cahaya rendah (5000-8000 lux) ............................................................................................................... 69 Lampiran 11. Hasil analisis uji beda nyata komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan saat intensitas cahaya rendah (>10.000) ..................... 70 Lampiran 12. Hasil analisi uji beda nyagta komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan dnegan frame dipenuhi oleh citra telapak tangan saat Intensitas cahaya rendah (800-5000lux) ........................................................................... 71 Lampiran 13. Contoh citra pada berbagai tingkat warna daun ........................................... 72 Lampiran 14. Contoh citra pada berbagai tingkat intensitas cahaya ................................... 74 Lampiran 15. Contoh citra pada berbagai warna kulit telapak tangan ................................ 76 Lampiran 16. Contoh posisi pengambilan citra ................................................................. 77 Lampiran 17. Kegiatan pembuatan petakan perlakuan budidaya padi ................................ 78 Lampiran 18. Kegiatan pembutan petakan perlakuan ........................................................ 79 Lampiran 19. Kegiatan pemupukan padi........................................................................... 80 Lampiran 20. Rencana kegiatan penelitian........................................................................ 81

ix

I. PENDAHULUAN

A.

LATAR BELAKANG

Pemberian pupuk kepada tanaman harus diberikan dengan jumlah yang tepat, seimbang dan efisien. Pemberian pupuk yang tidak sesuai berlebihan atau kekurangan akan mempengaruhi produktifitas tanaman. Tanaman padi memerlukan unsur hara yang berimbang sehingga pertumbuhan maksimal dan produktifitas meningkat. Apabila pupuk diberikan kepada tanaman padi dengan jumlah terlalu sedikit akan mengakibatkan pertumbuhan tanaman yang tidak optimal, kemudian sebaliknya apabila pupuk diberikan dengan jumlah yang berlebihan akan mengakibatkan hasil tanaman padi yang kurang optimal. Kelebihan pupuk yang tidak terserap oleh tanaman akan mengakibatkan pencemaran udara melalui penguapan pupuk dan menimbulkan kerugian besar bagi makhluk hidup dan lingkungan sekitar. Pemberian pupuk tanaman padi dapat ditentukan dengan menggunakan bagan warna daun atau sering disebut dengan BWD. Petani menggunakan bagan warna daun karena dalam bagan warna daun tersebut sudah tersedia pedoman rekomendasi dosis pemupukan tanaman padi. Daun padi dicocokkan ke salah satu level bagan warna daun kemudian melihat dosis rekomendasi pemupukan di sisi belakang bagan warna daun. Diskusi yang dilakukan dengan petani di daerah Bogor, Karawang dan Cianjur menyimpulkan bahwa pemakaian, pengetahuan dan ketertarikan pada pemakaian bagan warna daun masih kurang. Hal ini diyakini karena penyediaan bagan warna daun masih jarang di toko untuk dibeli dan hanya dapat dibeli atau di distribusikan oleh Pemerintah Dinas Pertanian daerah setempat. Kondisi dan hambatan tersebut perlu pengembangan melalui inovasi alternatif bagan warna daun untuk mengetahui dosis rekomendasi menurut bagan warna daun (BWD). Pengembangan suatu alat dan metode untuk menggantikan fungsi bagan warna daun yang praktis, dan mudah untuk dilakukan. Astika (2010) telah melakukan penelitian pendugaan tingkat warna daun padi dengan menggunakan kamera telepon seluler. Penelitian tersebut telah menghasilkan metoda pengolahan citra yang melakukan ekstrak citra daun padi ke komponen RGB (red, green, blue) , ekstrak citra telapak tangan petani ke komponen RGB dan membuat hubungan antara komponen RGB daun, komponen RGB telapak tangan dengan hasil pendugaan tingkat warna daun. Hasil akurasi penelitian yang telah dilakukan oleh peneliti sebelumnya masih rendah dan perlu penelitian lanjutan. Akurasi yang rendah diyakini disebabkan oleh pemakaian lima merek telepon seluler secara bersama yang memiliki pengaturan pewarnaan yang berbeda-beda sehingga sebaiknya setiap merek dan tipe telepon seluler memiliki satu formulasi (Astika, 2010). Penggunaan telepon seluler pada masa kini telah menjangkau kalangan bawah, menengah dan atas untuk mendukung aktifitas sehari-hari. Penggunaan telepon seluler untuk masyarakat petani dimasa yang akan datang diyakini akan terus meningkat, hal ini dikarenakan harga telepon saat ini terjangkau, multi fungsi dan sudah menjadi gaya hidup masyarakat. Oleh sebab itu pengembangan penelitian untuk menentukan tingkat warna daun padi dengan telepon seluler memiliki prospek yang bagus dan banyak akan digemari oleh masyarakat sehingga dapat membantu kegiatan khususnya budi daya tanaman padi. Penelitian ini merupakan penyempurnaan dari penelitian Astika (2010) tersebut. Penelitian ini menentukan kondisi pemotretan optimum untuk pendugaan tingkat warna daun padi dengan menggunakan kamera telepon seluler agar menghasilkan akurasi yang baik. 1

B.

TUJUAN

Tujuan umum penelitian ini adalah menduga tingkat warna daun padi dengan citra yang diambil menggunakan kamera telepon seluler Android, sedangkan tujuan khususnya adalah menentukan kondisi pemotretan optimum untuk pendugaan tingkat warna daun padi dengan menggunakan kamera telepon seluler dan membuat formulasi komponen citra warna daun dengan tingkat warna daun agar didapatkan akurasi yang lebih baik daripada penelitian Astika (2010).

C.

MANFAAT

Manfaat penelitian ini adalah menggantikan fungsi bagan warna daun dengan kamera telepon seluler untuk digunakan oleh petani sebagai acuan dosis rekomendasi pemupukan tanaman padi sehingga dapat meningkatkan produktifitas tanaman padi.

2

II. TINJAUAN PU STAKA

A.

UNSUR HARA

Unsur hara sangat diperlukan untuk pertumbuhan tanaman. Unsur hara terdiri dari unsur hara makro dan mikro. Unsur hara makro terdiri atas unsur nitrogen (N), kalium (K), dan fosfor (P), sedangkan unsur hara mikro terdiri atas unsur seng (Zn), tembaga (Cu), besi (Fe), molibdenum (Mo), boron (B), dan mangan (Mn) unsur hara mikro hanya sedikit terdapat didalam tanah. Pupuk menyediakan unsur hara bagi tanaman melalui pemupukan tanaman. Pupuk dapat membantu mencegah kehilangan unsur hara yang cepat hilang seperti N, P, dan K yang mudah hilang oleh penguapan atau oleh air perkolasi. Hubungan antara produksi dan kadar hara tanaman atau pemberian hara biasanya didasarkan pada satu, dua, atau tiga unsur hara yang divariasikan, sedangkan hara lainnya dianggap dalam kisaran yang cukup. Sudah lama diketahui bahwa kadar hara (bobot kering tanaman) berubah dengan nyata mengikuti umur tanaman (Rominger et al. 1975 dalam Leiwakabessy dan Sutandi (2004). Munson dan Nelson (1973) dalam Leiwakabessy dan Sutandi (2004) menjelaskan pada tanaman padi, kacang tanah, kentang, dan okra kadar N dan K umumnya menurun cepat dengan umur, sedangkan kadar P berubah sedikit.

1. Nitrogen (N) Nitrogen merupakan salah satu unsur yang diperlukan bagi pertumbuhan tanaman. Menurut hanway (1971) absospsi N oleh tanaman berlangsung selama pertumbuhannya. Nitrat dan ammonium merupakan bentuk nitrogen yang dapat diserap oleh tanaman padi untuk pertumbuhannya (Leiwakabessy 1988 diacu dalam Sianipar 2006). Nitrogen dalam bentuk ammonium lebih efektif dibandingkan bentuk nitrat dalam peningkatan produksi padi (Soepardi 1983 diacu dalam Sianipar, 2006). Manfaat nitrogen bagi pertumbuhan tanaman padi adalah membuat daun tanaman lebih hijau segar dan banyak menggandung butir hijau daun (chlorophyl) yang mempunyai peranan sangat penting dalam proses citrasintetis, mempercepat pertumbuhan tanaman (tinggi tanaman, jumlah anakan, cabang), menambah kandungan protein tanaman. Pemberian pupuk yang berlebihan akan mengakibatkan kelebihan jumlah kandungan nitrogen. Kelebihan nitrogen dapat menyebabkan pertumbuhan vegetatif memanjang (lambat panen), tanaman mudah rebah, menurunkan kualitas bulir, dan respon yang tinggi terhadap hama dan penyakit tanaman. Kekurangan unsur hara nitrogen mengakibatkan daun tanaman terlihat pucat kekuning-kuningan, daun tanaman menjadi kering dimulai dari daun bagin bawah sampai ke bagian atas daun, pertumbuhan tanaman yang lambat dan kerdil, perkembangan buah tidak sempurna.

2. Fosfor (P) Fosfor merupakan unsur hara yang tidak kalah pentingnya dibandingkan dengan nitrogen. Fosfor berfungsi untuk pembelahan sel, pembentukan bunga, perkembangan akar, memperkuat batang agar tidak mudah roboh, memperbaiki kualitas tanaman. Beberapa bagian tanaman sangat banyak mengandung zat ini, yaitu bagian-bagian pembiakan generatif, seperti daun-daun bunga, tangkai sari, kepala sari, butir tepung sari, daun buah dan bakal biji. Jadi untuk pembentukan bunga dan buah 3

sangat banyak diperlukan unsur fosfor. Selain itu fosfor juga berperan pada sintesa hijau daun, mendorong pertumbuhan akar-akar muda yang berguna bagi resistensi terhadap kekeringan. Penyebab kekurangan fosfor di dalam tanah disebabkan jumlah fosfor di tanah sedikit, sebagian besar terdapat dalam bentuk yang tidak dapat diambil oleh tanaman, karena terjadi pengikatan (fiksasi) oleh Al pada tanah masam atau Ca pada tanah alkalis (Hardjowigeno 2007 diacu dalam Nugroho 2011). Gejala kekurangan fosfor menyebabkan pertumbuhan tanaman menjadi lambat, batang kerdil dan dan kurus, daun tanaman terlihat ungu atau coklat. Faktor yang mempengaruhi tersedianya P untuk tanaman yang terpenting adalah pH tanah. Fosfor paling mudah diserap oleh tanaman pada pH sekitar netral (pH 6-7).

3. Kalium (K) Kalium merupakan unsur hara terpenting ketiga dari unsur hara makro. Kalium tidak kalah penting perannya dibandingkan dengan nitrogen dan fosfor. Kalium berperan sebagai aktivator dari berbagai enzim yang terlibat dalam reaksi-reaksi citrasintetis dan respirasi, sintetis protein dan karbohidrat (Tjondronegoro et al, 1999 diacu dalam Cahyono 2003). Kalium berfungsi sebagai katalis berbagai fungsi fisiologis essensial, yaitu: (1) metabolism atau pembentukan karbohidrat, (2) metabolism N dan sintetis protein, (3) mengontrol dan mengatur aktivitas berbagai hara mineral essensial, (4) mineralisasi asam organik, (5) aktifasi berbagai enzim, (6) pemicu pertumbuhan jaringan meristematik, dan (7) menggiatkan stomata dan pergerakan air (Tisdale et al, 1985 diacu dalam Cahyono, 2003). Jika terjadi kekurangan unsur fosfor, maka gejala yang tampak pada tanaman adalah daun berubah tua agak kemerahan, pada cabang, batang, dan tepi daun berwarna merah ungun yang lambat laun berubah menjadi kuning, pada buah tampak kecil dan cepat matang. Kekurangan K juga dapat mengurangi hasil dan menurunkan resistensi tanaman terhadap penyakitpenyakit tertentu, seperti Powldry-midew (kerusakan pada bagian batang) pada tanaman gandum, busuk akar dan Winter killed pada tanaman Alfalfa. Kekurangan K juga dapat mengakibatkan menurunnya kualitas tanaman buahbuahan dan sayuran (Direktorat Jenderal Pendidikan Tinggi Depdikbud, 1991 diacu dalam Nugroho, 2011).

B.

PEMUPUKAN

Pupuk adalah bahan yang memberikan unsur hara pada tanaman (Harjadi, 1996). Pemupukan dipengaruhi oleh waktu, konsentrasi, dan cara aplikasinya. Konsentrasi, waktu dan cara pemberian harus tepat agar tidak merugikan dan merusak lingkungan akibat kelebihan konsentrasi dan salah satu dalam waktu dan cara aplikasinya (Soepardi, 1983). Oleh sebab itu diperlukan pemupukan yang berimbang yang dilakukan secara efektif dan efisien sesuai kebutuhan tanaman dan ketersediaan hara dalam tanah. Pemupukan berimbang adalah pemberian berbagai unsur hara dalam bentuk pupuk untuk memenuhi kekurangan hara yang dibutuhkan tanaman berdasarkan tingkat hasil yang ingin dicapai. Menurut Siregar (1981), unsur hara yang penting terhadap pertumbuhan dan produksi padi yaitu N, P, K. Leiwakabessy dan Sutandi (2004) menjelaskan tujuan pemupukan untuk memperoleh produksi yang tinggi dan bernilai dengan memperbaiki peneyediaan hara dengan memperhatikan atau memperbaiki kesuburan tanah tanpa merusak lingkungan. Menurut Syarief (1985), pemberian pupuk terhadap tanaman dapat dilakukan melalui media tanam yang akan diserap oleh akar maupun pemberian melalui daun dengan menggunakan pupuk 4

daun dengnan menggunakan pupuk daun. Lingga dan Marsono, (2009) menjelaskan meskipun pupuk daun mempunyai banyak kelebihan, teetap saja dalam pengggunaannya masih terdapat kekurangan. Dengan mengetahui kekurangannya maka kita lebih hati-hati dalam mengaplikasikannya. Kebutuhan N tanaman dapat diketahui dengan cara mengukur tingkat kehijauan warna daun padi menggunakan bagan warna daun (BWD). Bagan warna daun adalah sebuah alat untuk mengukur tingkat kebutuhan N tanaman dengan mengukur skala tingkat kehijauan warna daun sehingga dapat diketahui jumlah kebutuhan unsur hara N tanaman.Nilai pembacaan bagan warna daun (BWD) digunakan untuk mengoreksi dosis pupuk N yang telah ditetapkan sehingga menjadi lebih tepat sesuai dengan kondisi tanaman. Menurut Siregar (1981), unsur hara yang mempunyai peranan penting terhadap pertumbuhan dan produksi tanaman padi yaitu N, P, dan K. Leiwakabessy dan Sutandi (2004) menjelaskan tujuan pemupukan untuk memperoleh produksi yang tinggi dan bernilai dengan memperbaiki penyediaan hara dengan memperhatikan atau memperbaiki kesuburan tanah tanpa merusak lingkungan. Pemberian pupuk awal N diberikan pada umur tanaman sebelum 14 HST ditentukan berdasarkan tingkat kesuburan tanah. Dosis pupuk awal N (urea) untuk padi varietas unggul baru adalah 50 – 75 kg/ha, sedangkan untuk padi tipe baru dengan dosis 100 kg/ha. Pembacaan BWD hanya dilakukan menjelang pemupukan kedua (21 – 28 HST) dan pemupukan ketiga (35 – 40 HST). Khusus untuk padi hibrida dan padi tipe baru pembacaan BWD juga dilakukan pada saat tanaman dalam kondisi keluar malai dan 10 % berbunga. Pemupukan dilakukan dengan cara disebar/ditabur merata di seluruh permukaan tanah. Urea merupakan pupuk yang mudah larut dalam air sehingga pada saat pemupukan sebaiknya saluran pemasukan dan pengeluaran air ditutup. Pemupukan P dan K disesuaikan dengan hasil analisis status hara tanah dan kebutuhan tanaman. Metode pemberian pupuk terhadap tanaman padi beragam. Pada tanaman padi pupuk diberikan melalui akar tanaman dan ada juga memupuk dengan cara pemberian melalui daun cara pemberian pupuk tergantung kebutuhan dan kondisi tanaman. Pemberian pupuk pada tanaman padi mempunyai peranan yang sangat penting sehingga perlu melaksanakan pedoman dan rekomendasi yang dianjurkan. Pada dasarnya hasil produksi maksimal budidaya tanaman padi dipengaruhi oleh faktor-faktor penting yang menjadi kunci kesuksesan budidaya. Pemupukan salah satu faktor penting, sehingga dengan menerapkan rekomendasi pemberian pupuk yang berimbang, tepat dan efisien diharapkan tercapai hasil yang maksimal, menguntungkan, berkelanjutan, dan ramah lingkungan.

Gambar 1. Kegiatan pemupukan padi

5

C.

BAGAN WARNA DAUN

Bagan warna daun (BWD) merupakan bagan sebagai indikator yang berguna bagi kebutuhan pupuk nitrogen bagi tanaman. Bagan warna daun pertama kali dikembangkan di Jepang, dan kemudian peneliti-peneliti dari Universitas Pertanian Zhejiang Cina mengembangkan suatu BWD yang lebih baik dan mengkalibrasi dengan padi indica, japonica, dan hibrida. Bagan warna daun didistribusikan oleh Crop Resources and Management Network (CREMNET)-IRRI ( International Rice Research Institute). Sebuah alat sederhana dapat menentukan jumlah klorofil dalam daun tanaman disebut SPAD52 (KONICA MINOLTA 1989), namun alat ini masih cukup mahal. Alat ini secara digital mencatat jumlah relatif dari molekul klorofil, jadi sangat sensitif dan akurat. Pencatatannya disebut nilai SPAD yang diperhitungkan berdasarkan jumlah cahaya yang ditransmisikan oleh daun dalam dua berkas panjang gelombang dimana absorbansi klorofil berbeda. Nilai SPAD yang ditentukan dengan SPAD52 memberikan indikasi mengenai jumlah relatif klorofil yang ada dalam daun (Gani, 2006). BWD terdiri atas empat warna hijau, dari hijau kekuningan sampai hijau tua. BWD tidak dapat dapat menunjukan perbedaan warna hijau daun yang terlalu kecil sebagaimana pada khlorofil meter (SPAD). Namun, BWD bisa dibandingkan dengan SPAD untuk menentukan ketepatan relatifnya dalam menentukan status N tanaman padi (Gani, 2006). Penggunaan BWD dapat digunakan melalui dua cara. Cara pertama berdasarkan kebutuhan riil tanaman (real time), dengan membandingkan warna daun padi dengan skala BWD secara berkala, setiap 7-10 hari sejak 21-28 hari setelah tanam (HST) sampai fase primordia (pada padi hibrida dan padi tipe baru atau PTB dilanjutkan sampai fase 10% berbunga). Tanaman segera diberi pupuk N ketika warna daun berada dibawah skala 4 BWD. Menggunakan metode ini petani perlu sering ke sawah untuk membandingkan warna daun padi dengan BWD. Penggunaan BWD berdasarkan kebutuhan riil tanaman, pemupukan N pertama diberikan 50-75 kg urea/ha sebagai pupuk dasar pada saat padi berumur 14 HST, pada saat ini BWD tidak perlu digunakan. Pengukuran dilakukan dengan memilih secara acak 10 rumpun tanaman sehat pada hamparan yang seragam, kemudian memilih daun teratas yang telah membuka penuh pada satu rumpun. Posisi pengukuran warna daun padi dilakukan dengan membelakangi matahari, hal ini diyakini karena matahari dapat memperngaruhi warna. Hasil yang telah didapatkan melalui pengukuran warna daun padi, jika 10 daun padi yang telah diukur terdapat 5 daun atau lebih berada dalam nilai kritis, yaitu dibawah skala 4, maka tanaman perlu segera diberi pupuk N susulan sesuai dengan target hasil yang ingin dicapai. Berikut ini disajikan kriteria pemberian pupuk untuk mendapatkan hasil yang diharapkan bila warna daun dibawah nilai kritis (skala < 4 BWD) pada tabel 1. Tabel 1. Takaran pupuk urea yang diperlukan bila warna daun dibawah nilai kritis, skala < 4 (BB Padi, 2006 di dalam Gani, 2006)

BWD

Respon terhadap pupuk N Pembacaan BWD

Rendah

Sedang

Tinggi

Sangat tinggi

Target hasil (ton/ha GKG) ≈ 5.0

BWD < 4

≈ 6.0

≈ 7.0

≈ 8.0

Takaran urea yang digunakan (kg/ha) 50

70

100

125 6

Metode kedua berdasarkan waktu yang telah ditetapkan (fixed time), biasanya berdasarkan pertumbuhan tanaman, yaitu pertumbuhan awal (0-14 HST), pembentukan anakan aktif (21-28 HST), dan primordia. Dengan cara ini hanya melakukan 2-3 kali pengukuran warna daun padi dengan BWD. Sebelum berumur 14 hari setelah tanam pindah (HST), tanaman padi diberi pupuk dasar N dengan takaran 50-70 kg/ha. Pada saat itu BWD belum diperlukan. BWD digunakan pada pemupukan kedua atau stadia anakan aktif (21-28 HST) dan pemupukan ketiga atau primordia (35-40 HST) dengan membandingkan warna daun dengan skala BWD (Gani, 2006). Prosedur pemberian pupuk yang diberikan sesuai skala warna pada BWD dapat dilihat pada tabel 2.

Tabel 2. Takaran urea yang diberikan sesuai dengan skala warna daun pada penggunaan BWD berdasarkan waktu yang ditetapkan (BB Padi, 2006 di dalam Gani, 2006) Respon terhadap pupuk N Rendah Pembacaan BWD

Sedang

Tinggi

Sangat tinggi

Target hasil (ton /ha) ≈ 5.0

≈ 6.0

≈ 7.0

≈ 8.0

Takaran Urea yang digunakan (kg/ha) BWD ≤ 3

75

100

125

150

BWD = 3.5

50

75

100

125

BWD ≥ 4

0

0-50

50

50

Penelitian bagan warna di Maligaya Filipina menunjukkan bahwa dengan menerapkan BWD, petani kooperator dapat menghemat penggunaan pupuk N sebesar 10-53 kg N/ha atau sekitar 10-58% dari takaran umum yang diterapkan oleh petani untuk mencapai produktivitas yang sama. Serangan penyakit bakteri bercak daun dan penyakit bergaris merah juga tidak banyak ditemukan pada petak yang menerapkan BWD (Morales, 2000 di dalam Wahid, 2003). Abdulrahman et. Al (2001) diacu di dalam Wahid (2003) melaporkan bahwa pemberian pupuk N berdasarkan klorofil daun dengan menggunakan klorofil meter (SPAD) atau BWD menghemat urea 30-40%. Wahid et al (2001) melaporkan bahwa keuntungan usaha tani padi dengan menerapkan BWD-4 dan BWD-5 lebih tinggi daripada cara petani atau pemupukan sesuai rekomendasi. Penghematan pupuk N dibandingkan dengan takaran rekomendasi sebesar 75 kg N (60%) untuk BWD-4 dan sekitar 15 kg N (12%) untuk BWD-5.

Gambar 2. Bagan warna daun 4 level (IRRI) 7

D.

PENGOLAHAN CITRA

Data atau informasi tidak hanya disajikan dalam bentuk teks, tapi juga dapat berupa gambar, dan video. Keempat macam data atau informasi ini sering disebut multimedia. Citra (image) istilah lain untuk gambar sebagai satu komponen multimedia yang berbentuk informasi visual. Citra diartikan harafiah adalah gambar pada bidang dua dimensi (Murni, 1992). Definisi citra menurut kamus Webster adalah suatu representasi, kemiripan, atau imitasi dari suatu obyek atau benda. Sebuah citra mengandung informasi tentang obyek yang direpresentasikan. Citra dapat dikelompokkan menjadi citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, seperti mata. Citra diskrit dihasilkan melalui proses digitalisasi terhadap citra kontinu. Beberapa sistem optik dilengkapi dengan fungsi digitalisasi sehingga mampu menghasilkan citra diskrit, misalnya kamera digital. Citra diskrit inilah yang disebut citra digital. Citra disusun oleh banyak piksel. Pixel (picture element) adalah sekumpulan titik yang merupakan elemen paling kecil pada citra. Angka numerik (1 byte) dari pixel disebut digital number (DN). Digital Number bias ditampilkan dalam warna kelabu berkisar antara putih dan hitam (gray scale). Untuk menunjukkan lokasi setiap piksel, koordinat (0,0) digunakan atas posisi kiri dalam bidang citra. digunakan atas posisi kiri dalam bidang citra. Untuk menunjukkan tingkat pencahayaan suatu piksel digunakan bilangan bulat yang besarnya 8-byte, dengan lebar selang nilai 0-255, dimana 0 untuk warna hitam, 255 untuk warna putih (Ahmad, 2005). Dalam hal citra digital nilai level energi dituliskan dalam satuan byte. Pada umumnya citra digital berbentuk empat persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi x lebar (atau lebar x panjang). Citra (x,y) disimpan dalam memori komputer atau penyimpanan bingkai citra dalam bentuk array N x M dari contoh diskrit dengan jarak sama, sebagai berikut :

f(x,y) =

f(0,0) f(0,1)......f(0,M-1) f(1,0) f(1,1)…..f(1,M-1) ........................................ f(N,0) f(N,1) ...f(N,M-1)

(1)

Menurut Murni (1992) citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat: 1. Optik berupa citra. 2. Analog berupa sinyal video seperti gambar pada monitor televisi. 3. Digital yang dapat langsung disimpan pada suatu pita magnetik. Pada bidang komputer, sebenarnya ada tiga bidang studi yang berkaitan dengan data citra, namun memiliki tujuan yang berbeda, yaitu: 1. Grafika komputer (computer graphics). 2. Pengolahan citra (image processing). 3. Pengenalan pola (pattern recognition/image interpretation).

Citra

Pengolahan Citra

Citra

Gambar 3. Proses pengolahan citra (Murni,1992) 8

Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain dengan masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan seperti pada gambar di bawah ini. Termasuk dalam bidang ini juga adalah pemampatan citra (image compression). Menurut Jain (1989), pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila: 1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra. 2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur. 3. Sebagian citra perlu digabung dengan bagian citra yang lain. Operasi-operasi yang dilakukan pada pengolahan citra banyak ragamnya, namun secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut: 1. Perbaikan kualitas citra (image enhancement). Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi perbaikan citra: a) Perbaikan kontras gelap/terang. b) Perbaikan tepian objek (edge enhancement). c) Penajaman (sharpening). d) Pemberian warna semu (pseudocoloring). e) Penapisan derau (noise filtering). 2. Pemugaran citra (image restoration) Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh operasi pemugaran citra: a) Penghilangan kesamaran (deblurring). b) Penghilangan derau (noise). 3. Pemampatan citra (image compression) Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang digunakan lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode JPEG. 4. Segmentasi citra (image segmentation) Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola. 5. Pengolahan citra (image analysis) Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Proses segmentasi terkadang diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-contoh operasi pengolahan citra: a) Pendeteksian tepi objek (edge detection). b) Ekstraksi batas (boundary). c) Representasi daerah (region). 9

6. Rekonstruksi citra (image reconstruction) Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa citra rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh. Citra digital memiliki kaya akan informasi, namun seringkali citra tersebut mengalami penurunan mutu, warnanya terlalu kontras, kurang tajam, kabur dan sebagainya. Citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Citra tersebut perlu dimanipulasi menjadi citra yang kualitasnya lebih baik, dianalisis untuk tujuan dan kepentingan tertentu, agar mudah diinterpretasi baik oleh manusia maupun mesin. Proses yang dilakukan untuk mengolah dan menganalisis citra tersebut adalah pengolahan citra (image processing). Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Citra yang digunakan adalah citra digital, karena citra jenis ini dapat diproses oleh komputer digital. Keunggulan penggunaan pengolahan citra ini adalah dapat mengevaluasi bahan uji tanpa harus merusak objeknya dan memiliki konsistensi yang cukup tinggi. Menurut Arymurthy dan Suryani (1997), citra masukan akan berubah menjadi bentuk digital dengan bantuan sensor dan pengubah analog ke digital (kamera) yang disimpan pada sebuah bingkai gambar (JPG / BMP) kemudian disimpan dalam sebuah komputer digital yang dapat dilihat melalui monitor peraga proses tersebut dapat dilihat pada Gambar 4. Menurut Arymurthy dan Setiawan (1992), elemen-elemen dari sistem pengolahan citra dapat dilihat pada Gambar 4.

Citra masukan

Sensor

Pengubah analog ke digital

Penyimpanan bingkai citra

Komputer Monitor peraga digital

Gambar 4. Elemen-elemen dari sistem pengolahan citra (Arymurthy dan Setiawan,1992) Elemen pengolahan citra terdiri dari citra masukan yang ditangkap oleh sensor dan diubah menjadi citra digital, selanjutnya citra yang telah diubah akan disimpan dalam bentuk bingkai citra selanjuitnya akan diproses dalam komputer digital diolah sesuai dengan tujuan kemudian akan ditampilkan dalam monitor peraga. Warna yang digunakan dalam tampilan monitor peraga adalah model warna RGB. Model warna digital yang telah banyak dikembangkan para ahli diantaranya adalah model warna RGB (red, green, blue) dan HIS (hue, saturation, intensity). Pengolahan warna menggunakan warna RGB mudah dan sederhana karena informasi warna dalam komputer sudah dikemas dalam model yang sama (Ahmad, 2005). Pembentukan warna dengan proses substraktif dilakukan dengan memadukan warna substraktif primer, yaitu warna kuning, cyan, dan magenta 10

(Lillesand dan Kiefer, 1979). Model warna RGB merupakan model warna pokok aditif, yaitu warna dibentuk dengan mengkombinasikan energi cahaya dari ketiga warna pokok dalam berbagai perbandingan. Model warna RGB dapat juga dinyatakan dalam bentuk indeks warna RGB dengan rumus sebagai berikut : Indeks warna merah (Ired) =

(2)

Indeks warna hijau (Igreen) =

(3)

Indeks warna biru (Iblue) =

(4)

Menurut Craig (1997) pada RGB pola bit angka dikomposisikan dari ketiga nilai yang berkaitan dengan tingkat intensitas warna : satu untuk merah, satu untuk hijau, dan satu untuk biru masing masing dari 0-225 sehingga dapat mengkombinasikan warna sebanyak 16.277.216 macam. Menurut Mohsein (1984) persepsi visual warna oleh mata manusia tidak menggunakan sensor untuk setiap panjang gelombang, tetapi hanya ada 3 pusat stimulus, yaitu merah, hijau, biru. Model warna RGB merupakan model warna pokok aditif, yaitu warna yang dibentuk dengan mengkombinasikan energy cahaya dari ketika warna pokok dalam berbagai perbandingan. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y, dan komponen-z, dapat dituliskan dalam sebuah vektor r = (x,y,z). Model warna digital yang telah banyak dikembangkan para ahli diantaranya adalah model warna RGB (red, green, blue) dan HIS (hue, saturation, intensity). Pengolahan warna menggunakan RGB mudah dan sederhana karena informasi warna dalam komputer sudah dikemas dalam model yang sama (Ahmad, 2005). Pembentukan warna dapat berupa proses aditif dan substraktif. Pada proses aditif, pembentukan warna dilakukan dengan memadukan warna aditif primer yaitu warna biru, hijau, dan merah. Pembentukan warna dengan proses substraktif dilakukan dengan memadukan warna substraktif primer, yaitu warna kuning, cyan, dan magenta (Lillesand dan Kiefer, 1979). RGB aditif dapat dilihat pada Gambar 5.

Gambar 5. RGB aditif circle (Lillesand dan Kiefer, 1979) Tujuan utama dari model warna RGB adalah untuk sensing, representasi, dan menampilkan gambar dalam sistem elektronik, seperti televisi dan komputer, meskipun juga telah digunakan di konvensional citragrafi . Sebelum usia elektronik, model warna RGB sudah memiliki teori yang solid di belakangnya, yang berbasis di persepsi manusia warna. Hal yang perlu dilakukan adalah melakukan pembacaan nilai-nilai red, green dan blue pada satu piksel, menampilkan dan menafsirkan warna hasil perhitungan tadi sehingga mempunyai arti sesuai dengan yang diinginkan. 11

E.

K-Nearest Neighbor (KNN)

K-tetangga terdekat atau K-nearest neighbor (KNN) merupakan metode klasifikasi yang memasukkan data ke dalam mayoritas kelas dari k tetangga terdekatnya dengan k adalah sebuah parameter (Manning, 2008). Seperti halnya decision tree, K-Nearest Neighbor sangat sering digunakan dalam klasifikasi dengan tujuan dari algoritme in adalah untuk mengklasifikasi objek baru berdasarkan atribut dan training samples (Larose, 2002). Algoritma KNN sendiri adalah suatu algoritma yang sederhana, namun cukup efektif dalam melakukan kategorisasi teks (Ramadan, 2006). Pengelompokan suatu data baru berdasarkan jarak data baru itu ke bebrapa data/tetangga (neighbor). Dalam hai ini jumlah data/tetangga terdekat ditentukan oleh user yang dinyatakan dengan k. Misalkan ditentukan k=5, maka setiap data testing dihitung jaraknya terhadap data training dan dipilih 5 data training yang jaraknya paling dekat ke data testing. Lalu periksa output atau labelnya masing-masing, kemudian tentukan output mana frekuensinya paling banyak. Lalu masukkan suatu data testing ke kelompok dengan output paling banyak. Misalkan dalam kasus klasifikasi dengan 3 kelas, lima data tadi terbagi atas tiga data dengan output kelas 1, satu data dengan output kelas 2 dan satu data dengan outpit kelas 3, maka data baru tadi dapat dikelompokkan ke dalam kelas 1. Prosedur ini dilakukan untuk semua data testing (Santosa, 2007). Untuk mendefinisikan jarak antara dua titik yaitu titik pada data training (x) dan titik pada data testing (y) maka digunakan rumus Euclidean : (5) Jarak antara titik pada data training x dan titik pada data testing y disimbolkan dengan d, dimana x=x1,x2,...,xi dan y=y1,y2,...,yi dan I merepresentasikan nilai atribut serta n merupakan dimensi atribut (Han dan Kember, 2001). Algoritma ini selain memiliki kelebihan seperti tangguh terhadap training data yang noisy dan efektif apabila training data yang besar, juga mempunyai beberapa kekurangan diantaranya perlu ditentukan nilai k yang paling optimal yang menyatakan jumlah tetangga terdekat dan biaya komputasi cukup tinggi karena perhitungan jarak harus dilakukan pada setiap query instance bersama-sama dengan seluruh istan dari training sample.

Gambar 6. Ilustrasi teknik klasifikasi KNN (Fukunaga, 1997) Pada Gambar 6, diilustrasikan teknik klasifikasi KNN. Terdapat tida kelas, yaitu w1, w2, dan w3, serta xu yang merupakan vektor yang belum diketahui kelasnya. Kemudian dipilih lima tetangga 12

terdekat (k=5). Setelah dipilih lima tetangga terdekat, dihitung kelas terbanyak pada tetangga terdekat tersebut. Pada Gambar 6 dapat dilihat terdapat satu tetangga terdekat xu yang berada pada kelas w2 dan empat lainnya berada pada kelas w1. Berdasarkan jumlah kelas terbanyak pada tetangga terdekat, maka xu berada pada kelas w1. Terdapat beberapa jenis algoritma pencarian tetangga terdekat, yaitu : linear scan, pohon kd, pohon balltree, pohon metric, dan locally-sensitive hashing (LSH). Nilai k yang terbaik untuk algoritma ini tergantung pada data, secara umum nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Prabawa (2006) melakukan penelitian tentang Precision Farming yang diterapkan dalam pemupukan N, P, dan K pada budidaya tebu. Model hubungan antara input hasil tebu serta kadar gula dengan dosis pupuk yang diinginkan diformulasikan dengan artificial neural network seperti ditunjukkan pada Gambar 7.

a Hasil tebu

Jumlah hara N yang dibutuhkan

b

Kadar gula

c

Jumlah hara P yang dibutuhkan

d

input layer

hidden layer

output layer

Gambar 7. Konfigurasi model neural network untuk pemupukan pertama

pada budidaya tebu

(Prabawa, 2006)

F.

PRINSIP KERJA KAMERA

Kamera tentunya sudah tidak asing lagi, beberapa peralatan elektronik sudah memiliki perangkat kamera seperti kamera handphone, CCTV, wabcam laptop atau computer, ataupun hanya kamera itu sendiri seperti kamera digital. Kamera handphone memiliki kamera yang sama dengan kamera digital. Kamera handphone memiliki resolusi dan pengaturan kerja setiap handphone berbedabeda, tetapi pada dasarnya memiliki fungsi yang sama menangkap citra/gambar. Kamera digital dalam handphone menangkap citra/gambar menggunakan sebuah barisan sensor, bukan menggunakan film, dan menyimpannya dalam sebuah memori flash/hard disk mini. Sensor-sensor yang sering dipakai adalah jenis CCD atau charge-coupled device (Nugroho, 2005). Ukuran sensor terdiri dari sensor berukuran kecil dan berukuran besar. Sensor dengan ukuran kecil dijumpai di kamera handphone dan kamera saku hingga kamera prosumer. Agung (2012), menyatakan bahwa kuran kecil sensor bisanya digolongkan menjadi tiga bagian ukuran, yaitu : ukuran 1/2.5 inci 13

(5.7 x 4.3 mm), ukuran 1/1.8 inci (7.2 x 5.3 mm), ukuran 2/3 inci (11 x 8.8 mm). Sedangkan sensor dengan ukuran besar diantaranya : Sensor Four Thirds (17 x 13 mm), Sensor APS-C (22 x 15 mm), Sensor APS-H (29 x 19 mm Sensor Full Frame (50 x 39 mm). Perekaman gambar yang dilakukan oleh CCD sebenarnya dalam format grayscale atau monokrom dengan 256 macam intensitas warna dari putih sampai hitam. Revolusi citragrafi mampu membuat gambar berwarna dari film hitam putih dengan mengunakan filter merah, hijau dan biru yang dikenal dengan RGB (James Clark Maxwel, 1860). Pembentukan warna pada gambar fitografi sebenarnya hanya terdiri dari tiga warna yaitu merah, hijau dan biru atau disebut additive color system. Apabila ketiga warna ini digabungkan dengan intensitas yang sama akan membentuk warna putih. Penggabungan dua warna dengan intensitas yang sama akan menghasilkan warna baru yaitu red- green, green-blue, blue-red. Sekeping sensor tersusun atas jutaan rangkaian dioda peka cahaya berukuran sangat kecil yang dinamakan piksel. Banyaknya jumlah piksel pada sensor menunjukkan resolusi yang menentukan seberapa detail sebuah citra bisa dihasilkan. Semakin tinggi resolusi dari sebuah citra maka akan semakin besar ukuran cetak maksimalnya. Setiap piksel pada keping sensor akan merubah intensitas cahaya yang mengenainya menjadi tegangan listrik, dimana piksel yang mendapat cahaya terang akan menghasilkan sinyal listrik tinggi sedangkan piksel yang kurang mendapat cahaya akan mengeluarkan sinyal yang rendah. Menurut Andi (2005) pada prinsipnya, resolusi sensor sendiri tidak berhubungan secara langsung dengan kualitas citra. Resolusi sensor lebih tepat digunakan untuk menentukan resolusi maksimal citra yang dihasilkan nantinya. Sebuah citra digital bila dilihat secara detail merupakan mosaik yang dibentuk dari jutaan piksel dimana semakin banyak pikselnya maka semakin detail citranya. Sebuah citra dengan dimensi 3000 piksel (sisi panjang) dan 2000 piksel (sisi pendek) menandakan citra tersebut memiliki 6 juta piksel (3000 x 2000 piksel) atau disebut 6 mega piksel (6 MP). Kamera handphone saat ini memiliki fokus otomatis. Istilah fokus sesuai terminologi artinya titik tempat berkumpulnya sinar yang melalui sebuah optik atau lensa. Auto fokus dalam kamera secara otomatis menggerakkan elemen lensa untuk mendapat hasil terbaik. Prinsip auto fokus memakai deteksi kontras (contrast detect) yang lebih hemat biaya. Prinsip deteksi kontras sebenarnya hadir di era digital yang cirinya mampu menampilkan preview gambar yang akan diambil melalui layar LCD. Citra yang muncul di monitor adalah citra yang diterima oleh sensor, sehingga biasa disebut live-view. Telepon seluler mempunyai pengaturan yang berbeda-beda, dalam berbagai merek telepon seluler sudah memiliki pengaturan auto fokus kamera, ada juga telepon seluler yang memiliki fokus manual. Proses auto fokus dimulai saat tombol ditekan setengah kemudian kamera langsung menggerakkan elemen fokus di dalam lensa secara maju mundur untuk mendapat kontras terbaik dan memberi konfirmasi berupa bunyi sebagai tanda sudah berhasil mendapat fokus. Menurut Agung (2012), beberapa hal yang menentukan kecepatan kamera dalam mencari fokus adalah : 1. 2. 3.

Adanya kontras yang baik pada obyek yang akan dicitra. Semakin rendah kontras dari obyek yang akan dicitra maka kamera makin sulit untuk mendapatkan fokus yang tepat. Kondisi pencahayaan sekitar obyek harus cukup baik dan tidak gelap. Saat gelap kamera biasanya membantu auto fokus dengan menembakkan lampu AF assist beam. Pergerakan obyek yang akan dicitra juga mempengaruhi, bila obyek bergerak terlalu cepat sulit bagi kamera untuk mengunci fokus. 14

G.

PERTANIAN PRESISI

Pertanian presisi atau precision farming merupakan sebuah konsep pengelolaan pertanian secara modern yang bertujuan untuk mengendalikan input dan proses dalam usaha tani sehingga diharapkan diperoleh hasil produksi yang optimal, berkelanjutan, dan menguntungkan. Menurut Prabawa et al., 2009 pertanian presisi merupakan informasi dan teknologi pada sistem pengelolaan pertanian untuk mengidentifikasi, menganalisa, dan mengelola informasi keragaman spasial dan temporal di dalam lahan untuk mendapatkan keuntungan optimum, berkelanjutan dan menjaga lingkungan. Dengan kata lain pertanian presisi atau precision farming adalah suatu usaha pertanian dengan pendekatan dan teknologi yang memungkinkan perlakuan yang teliti (precise treatment) dan revolusi awal dalam pengelolaan sumber daya alam berbasis teknologi informasi, Manajemen Informasi Geografis (Management Information System) dalam presisi pertanian meliputi Sistem Informasi Geografis (Geographical Information System) , seperti global positioning system (GPS), sensor, satelit atau citra udara, sensor real time. Informasi yang dikumpulkan dapat digunakan untuk mengevaluasi optimalitas input seperti perkiraan pemberian pupuk, pengolahan tanah, irigasi dan drainase, serta dapat pula untuk memprediksi hasil panen. Precision farming bertujuan untuk menghindari proses yang tidak efisien hingga tahap pemanenan, terlepas dari keadaan tanah dan kondisi iklim (Deer & Company, 1997). Deer & Company (1997) berpendapat bahwa terdapat dua buah metode dasar dalam penerapan precision farming yang pertama adalah map-based variabel rate application dan yang kedua adalah sensor-based variabel rate application. Map-based variabel rate application adalah mengukur takaran aplikasi berdasarkan informasi produk yang terkandung dalam sebuah peta elektronik dari komponen lahan.

H.

PENELITIAN TERDAHULU Teknologi yang dikembangkan telah sampai pada tahap penelitian awal (Astika, 2010), namun

dari tahap itu telah terlihat potensi pengembangan yang baik. Penelitian tersebut telah menghasilkan metoda pengolahan citra yang melakukan ekstrak citra daun padi ke komponen RGB, ekstrak citra telapak tangan petani ke komponen RGB dan membuat hubungan antara komponen RGB daun, komponen RGB telapak tangan dengan dugaan tingkat warna daun.

Background Min R, Max R, Avr R Min G, Max G, Avr G Min B, Max B, Avr B

Leaf Min R, Max R, Avr R Min G, Max G, Avr G Min B, Max B, Avr B

Leaf Color Levels 2

k-Nearest Neighborhood Classifier

3 4 5

Gambar 8. kNN untuk pengenalan pola (Astika, 2010) 15

Gambar 9. Metode pengambilan citra (Astika, 2010) Akurasi yang rendah ini diyakini disebabkan oleh pemakaian 5 merek telepon seluler secara bersama menjadi satu formulasi. Tiap telepon seluler memiliki pengaturan pewarnaan yang berbedabeda sehingga sebaiknya setiap merek dan tipe telepon seluler memiliki satu formulasi. Di samping itu telah diketahui bahwa latar belakang yang terbaik adalah telapak tangan dengan dinaungi bayangan badan petani. Tabel 3. Akurasi pendugaan tingkat warna daun hasil penelitian sebelumnya (Astika, 2010) Akurasi pada berbagai kondisi latar belakang Tingkat warna Daun 2 3 4 5 Rata-rata

Kulit telapak tangan, dibawah bayangan 0.75 0.45 0.67 0.78 0.66

(a) Arah Selatan

Kulit telapak tangan, dibawah sinar matahari 0.80 0.35 0.61 0.55 0.58

Kertas putih, dibawah bayangan

Kertas putih, dibawah sinar matahari

0.85 0.21 0.21 0.25 0.38

0.80 0.53 0.58 0.63 0.63

Rata-rata

0.80 0.39 0.52 0.55 0.56

(b) Arah Timur

Gambar 10 . Contoh hasil pemetaan tingkat warna daun (Astika, dkk; 2010) 16

I.

APLIKASI SEJENIS YANG TELAH DITEMUKAN 1.

Leaf Coder

Aplikasi ini dibuat dan dikembangkan oleh mahasiswa dari Institut Teknologi Telkom, Bandung-Jawa Barat. Aplikasi ini saat ini masih diikutsertakan kedalam perlombaan Imagine Cup Indonesia 2012 yang masih dalam tahap seleksi dan kemudian menuju ke Imagine Cup Australia 2012 yang diadakan oleh perusaahaan software ternama Microsoft. Cara kerja aplikasi ini adalah mendeteksi warna daun tanaman Padi. Aplikasi ini berbasis pengenalan tingkat warna daun yang bernama LSU untuk mengetahui kekurangan unsur hara tanman padi. Penggunaan leaf coder harus terhubungkan dengan koneksi internet. kemudian diolah keluaran program berupa dosis pemupukan yang telah diolah . Hasil analisis dapat dilihat pada aplikasi web Leaf coder. Leafcoder akan menghemat 10-58 persen penggunaan pupuk. Cara penggunannya mengambil citra sampel daun padi kemudian citra tersebut akan teranalisis oleh aplikasi leaf coder berupa kode warna, kemudian kode tersebut diolah di web leafcoder dan kita akan diperlihatkan kebutuhan pupuk untuk tanaman padi. Aplikasi leaf coder dapat dilihat pada Gambar 11.

Gambar 11 . Leaf coder (Anonim, 2012)

Gambar 12 Contoh pengambilan citra daun padi dengan leaf coder (Anonim, 2012) 17

2.

Pemupukan Hara Spesifik Lokasi Padi Sawah (PHSL)

Program PHSL-Padi Sawah merupakan perangkat pembuat keputusan berbasis komputer bagi rekomendasi pemupukan padi bagi bidang sawah tertentu. Program itu mengajukan pertanyaanpertanyaan yang dapat dijawab dengan cepat oleh petani atau teknisi. Setelah itu, rekomendasi pemupukan ditampilkan. Prinsip-prinsip dari PHSL muncul dari hampir 15 tahun penelitian yang melibatkan kemitraan dari International Rice Research Institute (IRRI) dengan organisasi-organisasi di seluruh Asia. Di Indonesia, kerja sama jangka panjang dari IRRI dengan organisasi-organisasi lingkup Badan Penelitian dan Pengembangan Pertanian (Badan Litbang Pertanian) memberikan kontribusi terhadap perumusan prinsip-prinsip PHSL dan konsolidasi pengetahuan, yang memungkinkan membuat pengembangan Nutrient Manajer for Rice. Tampilan awal aplikasi PHSL dapat dilihat pada Gambar 13. Lembaga-lembaga yang ikut memberikan sumbangan pada pengembangan PHSL-Padi Sawah : 1. BB Padi (Balai Besar Penelitian Tanaman Padi) 2. Puslitbang tan (Pusat Penelitian dan Pengembangan Tanaman pangan) 3. BBSDLP (Balai Besar Litbang Sumberdaya Lahan Pertanian) 4. BBP2TP (Balai Besar Pengkajian dan Pengembangan Teknologi Pertanian. Pemupukan Hara Spesifik Lokasi Padi Sawah (PHSL) terwujud dukungan dari : 1. 2. 3.

Swiss Agency for Development and Cooperation (SDC) International Fertilizer Industry Association (IFA) International Plant Nutrition Institute (IPNI) International Potash Institute (IPI).

Gambar 13. Tampilan awal aplikasi pemupukan hara spesifik lokasi padi sawah (PHSL) (IRRI, 2012) Sumber : (http://webapps.irri.org/nm/id/index.php) 18

Gambar 14. Tampilan pertanyaan aplikasi pemupukan hara spesifik lokasi padi sawah (PHSL) (IRRI, 2012) Sumber : (http://webapps.irri.org/nm/id/index.php

Gambar 15. Tampilan rekomendasi pemupukan menurut bagan warna daun, PHSL (IRRI, 2012) Sumber : (http://webapps.irri.org/nm/id/index.php 19

III. METODOLOGI PENELITIAN

A.

WAKTU DAN TEMPAT

Kegiatan-kegiatan penelitian ini dapat dibagi menjadi 2 kelompok yaitu 1) percobaan penanaman padi untuk mendapatkan beberapa tingkat warna daun padi, dan 2) pengolahan citra dengan komputer. Pengolahan citra dilakukan di Pusat Pengembangan Ilmu Teknik untuk Pertanian Tropika, LPPM IPB dan Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian IPB. Waktu penelitian akan dilaksanakan pada bulan Februari 2012 hingga Juni 2012. Percobaan penanaman padi dilakukan di tiga tempat yaitu : 1. Desa Leuweungkolot, Kecamatan Cibungbulang, Kabupaten Bogor, Jawa Barat. 2. Kampung Saranpad, Desa Saranpad, Kecamatan Cugenang, Kabupaten Cianjur, Jawa Barat. 3. Kampung Cibungur, Kelurahan Karawang Wetan, Kecamatan Karawang Timur, Jawa Barat.

B.

ALAT DAN BAHAN Alat yang dipakai dalam penelitian ini adalah: 1. Telepon seluler berbagai merek : a. LG P698 b. Nexian A893 c. Samsung Ace S5830 d. Samsung GT-S5360 e. Sony Ericsson SK17i Kondisi telepon seluler keadaan baru. 2. Bagan warna daun IRRI – 4 level 3. Luxmeter 4. Program kNN yang telah dibuat oleh Astika (2010) 5. Laptop Acer Aspire 4740 Bahan yang dipakai adalah : 1. Saprodi berupa : a. Bibit padi varietas ciherang b. Pupuk urea (46%N), NPK phonska (16-16-16 )untuk budidaya padi 2. Kertas, tali rafia, dan patok-patok untuk memberi tanda-tanda di lahan

Gambar 16. Luxmeter 20

Gambar 17 . Berbagai merek telepon seluler yang dipakai dalam penelitian

Gambar 18. Bagan warna daun

C.

TAHAPAN PENELITIAN

Penelitian ini terdiri atas beberapa tahapan, yaitu : 1. Membangkitkan berbagai tingkat warna daun padi (dari hijau kekuningan sampai hijau tua) dengan cara perlakuan berbagai taraf pemupukan maka tingkat kesuburan lahan akan beragam, dan sebagai akibatnya akan dihasilkan berbagai tingkat kehijauan daun padi. Penanaman padi dilakukan di 3 lokasi, yaitu 1) Bogor, 2) Cianjur, dan 3) Karawang. 2. Mempelajari karakteristik komponen warna RGB (red, green, blue) dari citra daun padi yang diambil dengan kamera telepon seluler. Daun padi diletakkan di telapak tangan dan dicitra dengan kamera telepon seluler. 3. Mencoba pengambilan citra daun padi pada berbagai intensitas cahaya lapangan. 4. Mencoba pengambilan citra daun padi pada berbagai warna kulit telapak tangan petani. 5. Membuat formulasi hubungan antara tingkat warna daun hasil pengukuran secara manual dengan bagan warna daun (BWD), dengan karakteristik komponen citra (RGB) dengan k-Nearest Nieghborhood (kNN).

21

Mulai

Penanaman Bibit Padi

Pengukuran Manual Tingkat Warna Daun Padi dengan BWD

Pengambilan Potret Daun Padi

Ekstraksi RGB Daun dan RGB Tangan

Data Base Warna Patokan

Pengenalan Pola dengan kNN

Tingkat Warna Daun

Selesai

Gambar 19. Diagram alir tahapan penelitian

22

D.

PERLAKUAN BUDIDAYA PADI

Persiapan lahan adalah tahapan kegiatan yang dilakukan untuk budidaya tanaman. Teknik persiapan lahan yang paling umum dan yang sering dilakukan adalah pengolahan tanah. Menurut Soepardi (1983), salah satu tujuan pengolahan tanah adalah terciptanya suatu sifat olah yang baik. Untuk lahan penelitian yang dipakai, pengolahan tanah dilakukan oleh tenaga manusia. Pengolahan mulai dari pengolahan tanah pertama, kemudian dilanjutkan dengan perataan tanah, dan penanaman. Penanaman padi dilakukan setelah umur padi sekitar 10-15 hari setelah persamaian. Tanaman padi yang sudah ditanam memerlukan unsur hara. Unsur hara diberikan melalui pemberian pupuk pada tanaman. Pemupukan dilakukan tiga kali pemupukan. Untuk mencapai keberagaman warna daun dilakukan pemberian taraf pupuk yang beragam. Tujuan perlakuan taraf pemupukan ini adalah untuk membangkitkan berbagai tingkat warna daun. 1.

Dosis Perlakuan pupuk

1.1. Lahan Leuweungkolot-Bogor Pupuk yang digunakan terdiri dari dua jenis pupuk, yaitu pupuk urea dan pupuk NPK phonska (16-16-16). Dosis pupuk yang telah ditentukan, ditimbang dengan tepat agar jumlah takaran pupuk sesuai dengan taraf pupuk yang diberikan. Pupuk yang telah ditimbang kemudian dicampur dan diaduk merata, selanjutnya pupuk ditebar secara merata ke permukaan tanah. Sebelum pemberian pupuk, air di dalam lahan terlebih dahulu dikeringkan/disaati, tinggi permukaan air sekitar 2-3 cm dari permukaan tanah. Pembuangan air ditutup untuk menghindari pembuangan aliran air yang telah bercampur dengan pupuk. Hal ini dilakukan karena memperhatikan sifat dan karakteristik pupuk, terutama pupuk urea yang mudah larut terhadap air. Lahan perlakuan dilakukan sebanyak dua petakan besar. Lahan petakan besar tersebut dibagi-bagi menjadi 45 petakan dengan ukuran yang sama. Lahan petakan perlakuan persegi. Setiap petakan diberi jarak pembatas tali rafia agar memudahkan untuk pemupukan agar ketika pemupukan jumlah pupuk yang diberi berimbang. Dosis perlakuan pupuk lahan Leuweungkolot-Bogor dapat dilihat pada Tabel 4. Tabel 4. Dosis perlakuan pupuk di lahan Leuweungkolot-Bogor Perlakuan

Urea (kg/ha)

NPK Phonska (kg/ha)

1

0

0

2

25

150

3

50

150

4

75

150

5

100

150

6

125

150

7

150

150

8

150 + Pupuk Kandang

150 + Pupuk Kandang

Padi diberikan tiga kali ulangan pemupukan. Pemupukan pertama dilakukan pada saat 14 HST dengan memberikan pupuk urea dan pupuk phonska sesuai dosis perlakuan yang ditentukan. Pemupukan kedua dilakukan pada saat 21 HST dengan hanya pupuk phonska. Pemupukan ketiga 23

dilberikan pada saat 40 HST dengan memberi pupuk urea dan phonska. Pengambilan data citra/citra dilakukan pada saat selesai pemupukan kedua dan ketiga. 1.2. Lahan Karawang Luas lahan penelitian di Karawang sekitar 1 hektar. Lahan petakan perlakuan dibentuk persegi. Petakan dibatasi dengan galengan agar memudahkan dalam pemberian pupuk. Lahan perlakuan penelitian dibuat dengan ukuran panjang 7 meter dan lebar 7 meter. Jumlah petakan perlakuan sebanyak 32 petakan. Petakan dibentuk rapi dan di tengah petakan terdapat padi tanpa diberi pupuk yang berfungsi sebagai kontrol tanaman padi di bagian kiri dan kanan. Perlakuan dosis pemupukan dilakukan dengan 8 taraf dosis pemupukan. Dosis perlakuan pupuk lahan Karawang dapat dilihat pada Tabel 5. Tabel 5. Perlakuan dosis pemupukan di lahan Karawang Perlakuan

Urea (kg/ha)

NPK Phonska (kg/ha)

1

0

0

2

25

75

3

50

150

4

75

225

5

100

300

6

125

375

7

150

450

8

150 + Pupuk Kandang

450 Pupuk Kandang

Padi diberikan tiga kali ulangan pemupukan. Pemupukan pertama dilakukan pada saat 19 HST dengan memberikan pupuk urea dan pupuk phonska sesuai dosis perlakuan yang ditentukan. Pemupukan kedua dilakukan pada saat 26 HST dengan hanya pupuk phonska. Pemupukan ketiga dilberikan pada saat 40 HST dengan memberi pupuk urea dan phonska. Pemupukan dilakukan terlambat karena terhambat oleh kondisi cuaca hujan yang tidak memungkinkan untuk melakukan pemupukan. Pengambilan data citra/citra dilakukan pada saat selesai pemupukan kedua dan ketiga. 1.3. Lahan Cianjur Lahan Cianjur mempunyai luasan sekitar 2.000 m2, terdiri dari lima petakan masing-masing dengan ukuran yang relatif sama. Lahan petakan perlakuan berbentuk persegi panjang. Setiap petakan dibagi dua bagian, sehingga memperoleh 10 petakan perlakuan. Petakan perlakuan dengan ukuran panjang 19 meter dan lebar 9 meter. Lahan petakan perlakuan dibuat dalam bentuk persegi panjang. Ukuran petakan perlakuan adalah sebagai berikut : 1. 2. 3.

Petakan 1A berukuran 19 x 10 m Petakan 1B berukuran 19 x 10 m Petakan 2A berukuran 19 x 15 m

= 190 m2 = 190 m2 = 285 m2 24

4. 5. 6. 7. 8. 9. 10.

= 285 m2 = 152 m2 = 152 m2 = 171 m2 = 171 m2 = 180.5 m2 = 180.5 m2

Petakan 2B berukuran 19 x 15 m Petakan 3A berukuran 19 x 8 m Petakan 3B berukuran 19 x 8 m Petakan 4A berukuran 19 x 9 m Petakan 4B berukuran 19 x 9 m Petakan 5A berukuran 19 x 9.5 m Petakan 5B berukuran 19 x 9.5 m

Perlakuan dosis pemupukan diberikan berbeda terhadap masing-masing petakan. Perlakuan dosis pemupukan dilakukan dengan 10 taraf dosis pemupukan dan diberi dengan tiga kali pengulangan pemupukan. Pemupukan dilakukan 3 kali, pemupukan pertama pada saat 7 HST, pemupukan kedua 21 HST dan pemupukan ketiga 40 HST. Petakan 1A, 2A, 3A, 4A,5A untuk pemupukan satu diberikan dosis standar 100 kg urea/ha dan 300 kg urea/Ha. Pemupukan kedua diberikan hanya urea, pemupukan ketiga diberikan urea dan phonska sesuai dosis yang diberikan. Petakan 1B, 2B, 3B, 4B,5B diberikan dosis yang mengikuti rekomendasi pemupukan sesuai dengan bagan warna daun (BWD). Tabel 6. Perlakuan dosis pemupukan di lahan Cianjur Petakan

Perlakuan

Urea /N (kg/ha)

NPK Phonska (kg/ha)

1A

1

50

150

2A

2

60

225

3A

3

70

300

4A

4

80

375

5A

5

100

450

Tabel 7. Perlakuan dosis pemupukan sesuai bagan warna daun di lahan Cianjur Petaka

Urea (kg/ha)

1A

2, 2.5, 3

150

150

8

2A

2, 2.5, 3

100

150

6

3A

2, 2.5, 3

125

150

7

4A

2, 2.5, 3

150

150

8

5A

2, 2.5, 3

75

150

5

n

Phonska (kg/ha)

Tingkat hasil

BWD

(ton/ha)

Pemberian dosis pemupukan sesuai rekomendasi bagan warna daun adalah untuk membuktikan tingkat hasil panen dan untuk membangkitkan keberagaman warna daun yang berbeda. Warna daun yang berbeda nantinya akan digunakan untuk percobaan pengambilan citra dengan kamera telepon seluler. Pemupukan untuk lahan penelitian di lahan Cianjur diberikan sebanyak tiga kali pemupukan yaitu 7 HST, 21 HST dan 40 HST. Perlakuan pemupukan untuk petakan 1A, 2A, 3A, 4A,5A disajikan dalam Tabel 6. Sedangkan untuk perlakuan dosis pemupukan untuk petakan 1B, 2B, 3B, 4B,5B diberikan dengan dosis rekomendasi bagan warna daun yang disajikan dalam Tabel 7. 25

E.

PENGAMBILAN DATA

Pengambilan citra tingkat warna daun dilakukan dengan 5 telepon seluler dengan cara memotret daun padi yang dilingkarkan pada jari tengah, diselipkan diantara jari manis dan jari telunjuk, daun padi dililitkan pada jari tengah kemudian dipotret. Pemotretan dilakukan pada beragam warna kulit, beragam intensitas cahaya, dilakukan pada pagi hari dan siang hari. Posisi pemotretan dilakukan dengan berbagai posisi, posisi dibawah bayangan tubuh dan tidak dibawah bayangan tubuh. Frame pemotretan citra dilakukan dengan frame yang dipenuhi dengan citra telapak tangan dan frame tidak dipenuhi dengan citra telapak tangan. Contoh pengambilan citra dapat dilihat pada gambar 20.

(a) telapak tangan dengan frame tidak penuh

(b) telapak tangan dengan frame penuh

Gambar 20. Contoh pengambilan citra daun padi Pengambilan data tingkat warna daun dilakukan dua kali yaitu pada fase pembentukan anakan aktif atau sebelum pemupukan kedua (21-25) HST dan fase primordial atau sebelum pemupukan ketiga (40-45) HST. Pengambilan citra dilakukan dengan berbagai tingkat warna daun yang ditemui dilapangan, berdasarkan bagan warna daun. Pengambilan citra dilakakukan pada pagi hari sampai siang hari. Berikut merupakan waktu pengambilan data yang telah dilakukan. Pada setiap pengambilan data pada suatu lahan dilibatkan 5-7 orang model petani. Untuk mendapatkan warna daun yang berbeda-beda, daun padi dipilih dari petak perlakuan atau dari luar petak perlakuan dengan membandingkannya dengan bagan warna daun secara manual. Waktu Pengambilan Data 1.

2.

3.

Lahan Leuweungkolot-Bogor a.

Pengambilan data pertama dilakukan 21 HST pada tanggal 22 April 2012

b.

Pengambilan data kedua dilakukan 40 HST pada tanggal 20 Mei 2012

Lahan Karawang a.

Pengambilan data pertama dilakukan pada (26 HST) pada tanggal 23 Mei 2012

b.

Pengambilan data kedua dilakukan pada (45 HST) pada tanggal 7 juni 2012

Lahan Cianjur a.

Pengambilan data pertama dilakukan pada (22 HST) pada tanggal 20 Mei2012

b.

Pengambilan data kedua dilakukan pada (40 HST) pada tanggal 6 juni 2012

26

F.

METODE ANALISIS DAN PERANCANGAN

1. Formulasi Hubungan Warna Citra dengan Tingkat Warna Daun Permasalahan utama dalam penelitian ini adalah menentukan tingkat warna daun dari citra yang diambil oleh kamera telepon seluler. Warna daun padi yang sama akan berubah-ubah di dalam citra jika citra diambil pada kondisi pencahayaan yang berbeda. Kejadian ini sangat mungkin terjadi di lapangan karena tingkat pencahayaan di lapangan sangat berbeda-beda dari waktu ke waktu. Masalah kedua yang juga mempengaruhi warna daun di dalam citra adalah warna latar belakang, yaitu warna telapak tangan. Kamera digital umumnya memiliki sifat automatic exposure, yaitu selalu menyesuaikan kecerahan warna objek (dengan mengubah diafragma dan shutter speed) berdasarkan tingkat kecerahan bidang yang dicitra. Perlu diingat di sini bahwa penentuan tingkat warna daun tidak menggunakan patokan warna standar (bagan warna daun misalnya). Pengenalan hanya semata-mata berdasarkan warna citra. Untuk mendapatkan penentuan tingkat warna daun dipakai kombinasi warna daun (sebagai objek) dan warna telapak tangan (sebagai latar belakang). Masing-masing warna diuraikan ke dalam komponen warna merah (Red – R), hijau (Green-G), dan biru (Blue-B) dalam bentuk nilai minimum, rata-rata dan maksimum. Jadi hubungan yang dibentuk adalah : T = f(RDaun, GDaun,BDaun, RTangan, GTangan, BTangan) di mana : T

: tingkat warna daun (2, 3, 4, 5)

RDaun, GDaun, BDaun

: nilai rata-rata R,G,B citra daun (0-255)

RTangan, GTangan, BTangan

: nilai rata-rata R,G,B citra tangan (0-255)

Hubungan ini diimplementasikan dengan kNN classifier seperti ditunjukkan pada Gambar 21. Variabel warna citra Rd

Tingkat warna daun 2

Gd Bd

kNN Classifier

3

Rt 4 Gt

5

Bt Gambar 21. Formulasi kNN hubungan komponen warna daun dan tingkat warna daun Keterangan : Rd, Gd, Bd Rt, Gt, Bt

: nilai variabel red, green, blue daun : nilai variabel red, green, blue tangan 27

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

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

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

Jumlah Data Hasil Pendugaan

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

*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 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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

*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 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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

Jumlah Data Hasil Pendugaan

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

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

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

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

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

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

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

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

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

V. KESIMPULAN DAN SARAN A. KESIMPULAN Dari penelitian yang telah dilaksanakan dapat disimpulkan beberapa hal berikut: a.

Keberagaman warna daun berhasil dibangkitkan dengan perlakuan pemupukan, terbukti dengan adanya tingkat warna daun 2, 2.5, 3, 3.5 dan 4, walaupun tingkat warna daun 2 dan 4 jarang dijumpai di lapangan.

b.

Komponen warna RGB daun dan RGB telapak tangan yang diambil dengan menggunakan kamera telepon seluler dipakai sebagai variabel penciri untuk membedakan tingkat warna daun pada berbagai intensitas cahaya lapangan dan berbagai warna kulit model petani. Perbedaan tingkat warna daun dan frame penuh menghasilkan komponen R daun dan G daun memiliki nilai tengah yang berbeda nyata pada taraf 95%.

c.

Posisi pengambilan citra adalah dengan cara memotret daun padi dibawah bayangan tubuh dapat meningkatkan akurasi.

d.

Cara pengambilan citra yang tepat adalah dengan dengan frame yang dipenuhi oleh citra telapak tangan agar menghasilkan akurasi yang baik.

e.

Kondisi kamera pemotretan harus fokus agar tidak mengakibatkan perubahan nilai variabel komponen citra, dan tanpa ditandaiu dengan adanya objek lain disekitar frame citra.

f.

Intensitas cahaya pemotretan citra daun padi pada intensitas rendah sekitar (800-5000) lux pada saat pagi hari pukul 07.00-09.00 WIB dan sore hari 16.00-17.30 WIB.

g.

Akurasi pengolahan komponen RGB dengan pengenalan pola kNN pada intensitas cahaya rendah dengan frame penuh, telepon seluler bermerek Samsung Ace menghasilkan akurasi 87%, Sony Ericsson menghasilkan akurasi 93%, LG menghasilkan akurasi 91%, Samsung GT menghasilkan akurasi 90%, Nexian menghasilkan akurasi sebesar 92%.

h.

Akurasi pengolahan komponen RGB dengan pengenalan pola kNN pada intensitas cahaya rendah dengan frame tidak penuh, telepon seluler bermerek Samsung Ace menghasilkan akurasi 54%, Sony Ericsson menghasilkan akurasi 62%, LG menghasilkan akurasi 63%, Samsung GT menghasilkan akurasi 56%, Nexian menghasilkan akurasi sebesar 72%.

i.

Akurasi pengenalan pengolahan komponen RGB dengan pola kNN pada berbagai intensitas cahaya dengan frame penuh dicampur dengan frame tidak penuh, telepon seluler bermerek Samsung Ace menghasilkan akurasi 78 %, Sony Ericsson menghasilkan akurasi 69%, LG menghasilkan akurasi 86%, Samsung GT menghasilkan akurasi 84%, Nexian menghasilkan akurasi sebesar 79%.

52

B. SARAN Untuk penelitian selanjutnya perlu dilakukan hal-hal berikut dengan tujuan untuk memperbaiki hasil penelitian. a.

Perlu dibuat petak perlakuan yang lebih intensif pemupukannya sehingga akan dihasilkan tingkat warna daun padi di atas 4. Sampai saat ini tingkat warna daun itu belum bisa dihasilkan.

b.

Penelitian selanjutnya perlu analisa kesuburan tanah dan unsur hara.

c.

Pengambilan citra daun padi sebaiknya dilakukan secara konsisten saat intensitas cahaya yang rendah (800-5000 lux).

d.

Pengambilan citra daun padi dilakukan pagi hari pada pukul 07.00-09.00 WIB dan pada sore hari pada pukul 15.00-17.00 WIB.

e.

Perlu penelitian menentukan akurasi jika pengambilan citra sepenuhnya dilakukan oleh petani.

f.

Perlu dibuat petunjuk di layar telepon seluler agar pengguna menempatkan telapak tangannya pada jarak tertentu dari kamera yang menjamin frame dipenuhi oleh citra telapak tangan dan pengaruh penyinaran dari luar yang relatif konstan.

53

DAFTAR PUSTAKA Anonim. 2012. Aplikasi leaf coder untuk menghitung kebutuhan pupuk padi. Zona Teknologi. http://www.zonateknologi.com/aplikasi-handphone-leafcoder-untuk-menghitung-kebutuhanpupuk-pada-tanaman-padi.html/ [Diakses : 28 Agustus 2012]. Anonim.

2012. Buku Tugas Akhir k-nearest Neighbor http://kuliahinformatika.wordpress.com/2010/02/13/buku-ta-k-nearest-neighbor-knn/ [Diakses : 26 Agustus 2012].

KNN

Anonim. 2012. KNN. http://id.wikipedia.org/wiki/KNN [Diakses : 26 Agustus 2012]. Anonim. 2012. Metode Algorotma KNN. http://id.scribd.com/doc/57208138/Metode-Algoritma-KNN [Diakses : 26 Agustus 2012] Ahmed, Imran dkk. 2007. A Real-Time Specific Weed Recognition System Using Statistical Method. di dalam World Academy Of Science, Engineering And Technology 2007. Institute Of Management Sciences, Hayatabad, Peshawar, agustus 2007. Pakistan. page 143-147. Arymurthy, A.M., dan Suryani, S. 1997. Pengantar Pengolahan Citra. PT. Elex Media Komputido. Jakarta. Aronoff Stanlay, Geographic Information System: A Management Perspective, WDL Publications, Ottawa, Canada, 1989. Astika, I W., 2010.The Use of Hand Phone Camera to Determine Paddy Leaf Color Level as a Reference for Fertilizing Dosage. Procceding of Asian Federation of Information Technology in Agriculture (AFITA) Conference, Bogor October 2010:105-108. Astika, I W., M. Solahudian, Radite PAS, MF. Syuaib, IE Nugroho, M. Ardiyansah. 2011. Digital Camera Based Color Sensor for Determining Leaf Color Level of Paddy Plants. Proceedings of International Conference on Robotic Automation System. Trengganu, May 23-24, 2011. Astika, I. W., M. Solahudin, R.F. Maradona, M.P.A. Nugraha. 2009. SMS Based Agricultural Products Price Information System. Proc. National Seminar on The Policy and Application of ICT to Promote the National Competitiveness. August 200, pp. 55-65. Badan Penelitian dan Pengembangan Pertanian. 2002. Pengolahan Hara P dan K pada Padi Sawah. Bogor. Cahyono.Y.2003. Uji efektifitas beberapa takaran pupuk majemuk dan tunggal NPK terhadap pertumbuhan kubis pada Andisol, Lembang [skripsi]. Bogor : Institut Pertanian Bogor. Cover, T.M. and Hart, P.E. Nearest Neighbor Pattern Classification, IEEE Trans. Inf. Theory, Vol.IT13, No.1, pp.21–27, 1967. D.B. Beegle, O.Y. Caston, J.S. Bailey. Nutrient Management Planning: Justification, Theory, Practice. Journal of Environment Quality Vol. 29, 2000, pp.72-79. 54

Fukunaga, K. Bias of Nearest Neighbor Error Estimation, IEEE Trans. Pattern Analysis and Machine Intelligence, Vol.PAMI-9, No.1, pp.103–112, 1987. Gao X.and J Tan.1996. Analysis of expanded food texture by image processing part I:geometric properties. Journal of Food Process Engineering 19:425-444. Gani, A. 2006. Bagan Warna Daun. Balai Besar Tanaman Padi. Sukamandi. Hadi. 2012. Data mining. http://datamining.japati.net/dataupload/hadi1187726593.pdf [Diakses : 26 Agustus 2012]. Han J, Kamber M.2001. Data Mining : Concepts and Techniques. Simon Fraser University, Morgan Kaufmann Publishers. IRRI. 2012. Pemupukan hara spesifik lokasi padi sawah. Official website International Rice Research of Institute (IRRI). http://webapps.irri.org/nm/id/index.php [Diakses : 28 Agustus 2012]. Jain, Anil K. 1989. Fundamentals of Digital Image Processing, Prentice-Hall International. California. Larose D.T. 2002. Discovering Knowledge in Data, An Introduction to Data Mining, A John Wiley & Sons, Inc. Murni, Aniati.1992. Pengantar Pengolahan Citra, Elex Media Komputindo. Jakarta. Nugroho. A.R.2006. Kamus citragrafi. Andi offset. Yogyakarta. Nugroho. A. 2012. K-nearest Neighbor. http://asnugroho.wordpress.com/2007/01/26/k-nearestneighbor-classifier/ [Diakses : 26 Agustus 2012]. Nugroho I.E.2011. Pengembangan sensor warna daun untuk menduga kebutuhan pupuk pada tanaman padi [skripsi]. Bogor: Institut Pertanian Bogor. Prabawa, S. dkk., 2009. Sistem Informasi Geografis dalam Pertanian Presisi Aplikasi pada Kegiatan Pemupukan di Perkebunan Tebu. Makalah Presentasi Seminar Nasional Himpunan Informatika Pertanian Indonesia (HIPI).Bogor. Prihandana, B. 2012. Software pendeteksi kebutuhan pupuk. Official Website Kompas. http://teknologi.kompasiana.com/internet/2012/04/28/software-petani-pendeteksi-kebutuhanpupuk/ [Diakses : 28 Agustus 2012]. Rahmayani.2006. Efektivitas pupuk pelengkap cair dharmavit terhadap pertumbuhan, produksi, serta serapan hara N,P,K tanaman padi sawah (Oryza Sativa L.) varietas IR 64 pada latosol Darmaga [skripsi]. Bogor: Institut Pertanian Bogor. Santosa B. 2007. Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis, Teori dan Aplikasi. Graha Ilmu Yogyakarta. Saputra I.2011 Pengembangan sensor warna daun untuk pemetaan kepadatan serangan gulma pada lahan terbuka [skripsi]. Bogor : Institut Pertanian Bogor. 55

Sianipar A.J.S.2006. Review pengaruh dosis pupuk inorganic tunggal (NPK) terhadap pertumbuhan, produksi, dan mutu fisik gabah [skripsi]. Bogor : Institut Pertanian Bogor. Sonka, ST.1997. Precision agriculture in the 21st century: geospatial a nd information t echnolo-gies in crop management. National Research Council Committee, National Academy Press,Washington. Syaefullah E.2004. Pengembangan teknik pengolahan citra untuk pemutuan bunga krisan yellow Fiji tipe standar [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Tjitrosedirdjo, S., dkk. 1984. Pengelolaan Gulma di Perkebunan. Badan Penerbit Kerjasama Biotrop Bogor dan Gramedia, Bogor. Wahana Komputer. 2005. Pemanfaatan Kamera Digital dan Pengolahan Imagenya. Andi Offset. Yogyakarta. Wahid, A.S., Nasruddin, Sening S., 2001. Efisiensi dan diseminasi pemupukan nitrogen dengan metoda LCC pada tanaman padi sawah. Jurnal Pengkajian dan Pengembangan Teknologi Pertanian 4(2):108-117. Wahid, A.S., 2003. Peningkatan efisiensi pupuk nitrogen pada padi sawah dengan metoda warna daun. Jurnal Litbang Pertanian 22(4):156-161. Yang, H.W., S. Peng, J.L. Huang, A.L. Sanico, R.J. Buresh, C.. Witt. “Using Leaf Color Chart to Estimate Leaf Nitrogent Status of Rice”. Agronomy Journal Vol. 95, 2003. pp 212-217. Yusriadi Y. 1982. Kebutuhan air, pertumbuhan, dan hasil tiga varietas, galur padi gogo pada tingkat radiasi surya [skripsi]. Bogor: Institut Pertanian Bogor.

56

LAMPIRAN

57

Lampiran 1. Spesifikasi Singkat Telepon Seluler 1.1 Samsung Galaxy Ace S5830 Sistem Operasi

: Android OS, v2.2

jaringan

: GSM 850/900 /1800/1900 dan HSDPA 900 / 2100

Prosessor

: 800 MHz ARM 11, Qualcomm QCT MSM7227-1 Turbo

Memori

: internal 158Mb, eksternal : microSD 32GB

Kamera

: 5 MP, resolusi max 2592x1944 pixels, auto focus, flash light, night mode

Video

: resolusi max 320x240 pixels

Batterai

: Li-Ion 1350 mAh

1.2 LG P698 Sistem Operasi

: Android OS, Gingerbread 2.3

Jaringan

: 3G 900/2100 MHz ,GPRS/EDGE

Prosessor

: 800 MHz, GPU Adreno 200, Qualcomm MSM7227T chipset

Memori

: internal 150Mb, eksternal : microSD 32GB

Layar

: TFT 320 x 480 piksel, 3.2 inci

Kamera

: 3.15 MP, 2048x1536 piksel, autofokus

Video

: resolusi max 320x240

Baterai

: Li-Ion 1500 mAh

1.3 Samsung Young GT S5360 Sistem Operasi

: Android OS, v2.3. 5 Gingerbread

Jaringan

: 2G GSM 850/900/1800/1900, 3G HSDPA 900/2100

Prosessor

: 800 MHz ARM 11, Qualcomm QCT MSM7227-1 Turbo

Memori

: internal 160 Mb, eksternal : microSD 32GB

Kamera

: 2 MP, 1600x1200 pixels

Video

: QVGA @15fps

Batterai

: Li-Ion 1200 mAh

58

1.4 Nexian A893

Layar

: 3,5 inci, TFT Capacitive Touchscreen HVGA, multi-Touch

Memori

: Up to 8GB

Sistem Operasi

: Android 2.2 Froyo

Jaringan

: Dualband GSM (900/1800 MHz)/WCDMA 2100 MHz

Prosessor

: 800 MHz ARM 11, Qualcomm QCT MSM7227-1 Turbo

Memori

: internal up yo 8GB

Kamera

: Dual Camera, VGA (depan), 2.0 Megapiksel (belakang ), Video recorder

Video

: QVGA @15fps

Batterai

: Lithium ion

1.5 Sony Ericcson Xperia Mini Pro SK17i Layar

: 3,5 inci, TFT Capacitive Touchscreen HVGA, Multi-Touch

Memori

: Up to 8GB

Sistem Operasi

: Android 2.2 Froyo

Jaringan

: Dualband GSM (900/1800 MHz)/WCDMA 2100 MHz

Prosessor

: 800 MHz ARM 11, Qualcomm QCT MSM7227-1 Turbo

Memori

: internal up yo 8GB

Kamera Video

: Dual Camera, VGA (depan), 2.0 Megapiksel (belakang ), Video recorder : QVGA @15fps

Batterai

: Lithium ion

59

Lampiran 2. Contoh hubungan antara komponen warna citra dengan tingkat warna daun Telepon seluler : Samsung Galaxy Ace

Intensitas

Rd

Gd

Bd

Rt

Gt

Bt

TWD

7200

106

145

73

210

157

169

2

7200 7200

102 112

142 150

68 77

207 204

148 150

160 160

2 2

7200 7200 7200 7200 7200 7200

71 67 74 102 112 93

137 134 137 150 163 153

57 53 60 49 63 78

177 175 179 181 187 181

154 150 156 110 118 118

154 150 156 83 91 109

2 2 2 2 2 2

7200 7200 7200 7200 7200 7200 4800 4800 4800 4800 4800 4800 4800 4800

73 81 88 102 118 86 81 101 89 82 81 85 116 101

171 169 173 133 171 155 125 144 129 120 120 123 159 145

132 128 131 38 83 116 61 76 60 41 37 44 110 93

189 191 189 175 210 174 188 216 180 182 180 189 228 215

177 176 173 129 179 157 138 165 127 140 134 145 165 156

185 187 186 108 176 182 130 157 116 120 113 124 164 156

2 2 2 2 2 2 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5

4800 4800

99 62

143 124

91 74

210 182

153 138

152 140

2.5 2.5

4800 4800

76 78

136 137

86 87

194 199

148 155

150 159

2.5 2.5

4800 4800 4800 6000

78 54 53 74

151 124 127 134

110 84 84 65

214 188 196 206

188 158 168 148

196 164 173 144

2.5 2.5 2.5 3

6000 6000 6000 6000 6000 6000 6000

78 85 92 106 108 110 107

143 146 120 135 140 168 162

71 73 36 45 63 86 79

215 218 214 223 214 236 232

157 160 164 176 163 175 174

155 158 130 134 140 159 156

3 3 3 3 3 3 3

60

Lampiran 3. Contoh hubungan antara komponen warna citra dengan tingkat warna daun Telepon seluler : Sony Ericsson Xperia Mini Pro SK17i Intensitas

Rd

Gd

Bd

Rt

Gt

Bt

TWD

6000 6200 6200 6200 6200

54 50 59 39 80

112 120 136 111 126

54 58 70 48 66

203 175 207 197 184

165 140 180 169 135

157 136 175 165 129

3 3.5 3.5 3.5 3.5

6200 6200

80 83

127 127

65 64

195 197

146 146

141 142

3.5 3.5

6200 6200

108 117

154 159

81 88

221 238

155 172

140 158

3.5 3.5

6200 6200 6200 6200 6200 6200

98 116 104 87 110 109

140 129 123 117 141 138

67 43 43 35 64 60

216 234 224 214 231 224

148 152 146 137 174 160

135 111 109 100 150 134

3.5 3.5 3.5 3.5 3.5 3.5

6200 3950 3950 3950 3950 3950 3950 3950 3950 3950

116 69 64 75 81 87 75 91 80 80

150 125 122 134 116 119 112 141 148 141

64 76 71 82 64 68 56 109 94 75

234 209 196 204 209 207 204 218 210 213

175 167 155 159 167 163 160 172 169 165

151 170 159 164 153 149 144 188 171 161

3.5 4 4 4 4 4 4 4 4 4

3950 3950

98 110

128 138

50 49

230 243

170 180

120 137

4 4

3950 3950

101 80

130 116

43 73

230 223

163 174

123 154

4 4

3950 3950 8000 8000 8000 8000 8000 8000

59 71 50 54 52 94 93 94

105 119 164 174 170 136 129 131

50 69 84 94 90 25 15 16

200 206 181 180 168 206 200 202

149 149 146 147 137 148 144 146

139 148 136 137 126 118 112 113

4 4 2 2 2 2 2 2

8000

87

153

58

174

131

114

2

61

Lampiran 4. Contoh hubungan antara komponen warna citra dengan tingkat warna daun Telepon seluler : LG P698 Intensitas 6000 6200 6200 6200 6200 6200 6200 6200 6200 6200 6200 6200 6200 6200 6200 6200 3950 3950 3950 3950 3950 3950 3950 3950 3950 3950 3950 3950 3950 3950 3950 8000 8000 8000 8000 8000 8000 8000 8000

Rd 54 50 59 39 80 80 83 108 117 98 116 104 87 110 109 116 69 64 75 81 87 75 91 80 80 98 110 101 80 59 71 50 54 52 94 93 94 87 88

Gd 112 120 136 111 126 127 127 154 159 140 129 123 117 141 138 150 125 122 134 116 119 112 141 148 141 128 138 130 116 105 119 164 174 170 136 129 131 153 153

Bd 54 58 70 48 66 65 64 81 88 67 43 43 35 64 60 64 76 71 82 64 68 56 109 94 75 50 49 43 73 50 69 84 94 90 25 15 16 58 58

Rt 203 175 207 197 184 195 197 221 238 216 234 224 214 231 224 234 209 196 204 209 207 204 218 210 213 230 243 230 223 200 206 181 180 168 206 200 202 174 175

Gt 165 140 180 169 135 146 146 155 172 148 152 146 137 174 160 175 167 155 159 167 163 160 172 169 165 170 180 163 174 149 149 146 147 137 148 144 146 131 130

Bt 157 136 175 165 129 141 142 140 158 135 111 109 100 150 134 151 170 159 164 153 149 144 188 171 161 120 137 123 154 139 148 136 137 126 118 112 113 114 112

TWD 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2

62

Lampiran 5. Contoh hubungan antara komponen warna citra dengan tingkat warna daun Telepon seluler : Samsung GT-S5360 Intensitas 3140 3140 3140 3140 3140 1340 1340 1340 2780 2780 2780 3140 3140 3140 1366 1366 1366 20900 20900 20900 1366 1366 1366 20900 20900 20900 1366 1366 1366 20900 20900 20900 20900 20900 20900 1366 1366 1366 20900

Rd 48 53 94 81 63 65 63 76 60 60 64 55 57 65 60 76 78 74 72 89 82 90 95 70 93 82 59 59 57 62 78 63 89 70 72 53 53 60 70

Gd 81 90 128 114 104 108 106 109 81 81 81 98 97 104 106 131 133 101 106 123 105 113 131 100 107 101 91 88 88 96 106 103 129 111 114 97 97 101 103

Bd 61 69 90 86 60 67 65 87 72 71 75 53 55 69 80 107 101 48 51 61 83 87 108 60 62 43 71 77 78 44 58 61 66 57 59 57 58 72 47

Rt 156 156 197 188 189 166 163 174 144 149 147 154 149 168 161 177 178 190 189 207 221 227 222 191 198 201 152 148 136 186 199 184 204 186 186 166 164 168 178

Gt 12.5 131 164 153 142 143 140 147 105 109 107 143 136 142 141 158 155 138 142 161 170 167 168 136 13.5 132 12.5 120 112 132 140 133 160 146 143 145 144 143 137

Bt 13.5 138 165 162 143 143 140 156 115 118 121 142 139 142 147 170 160 120 124 140 194 190 204 138 133 118 133 137 130 109 123 12.5 147 136 134 147 148 156 106

TWD 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

63

Lampiran 6. Contoh hubungan antara komponen warna citra dengan tingkat warna daun Telepon seluler : Nexian A893 Intensitas 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 7200 8000 8000 8000 8000 8000 8000 8000 8000 8000 8000 8000 8000 8000 8000 8000 6000 6000 6000 6000 6000 6000 6000 6000 6000 6000 6000 6000

Rd 106 102 112 71 67 74 102 112 93 73 81 88 102 118 86 50 54 52 94 93 94 87 88 92 103 97 85 37 49 59 74 78 85 92 106 108 110 107 101 96 78 103

Gd 145 142 150 137 134 137 150 163 153 171 169 173 133 171 155 164 174 170 136 129 131 153 153 160 155 141 139 136 146 127 134 143 146 120 135 140 168 162 165 128 111 132

Bd 73 68 77 57 53 60 49 63 78 132 128 131 38 83 116 84 94 90 25 15 16 58 58 60 106 95 85 49 55 44 65 71 73 36 45 63 86 79 71 46 34 51

Rt 210 207 204 177 175 179 181 187 181 189 191 189 175 210 174 181 180 168 206 200 202 174 175 181 180 159 169 167 168 175 206 215 218 214 223 214 236 232 235 193 143 187

Gt 157 148 150 154 150 156 110 118 118 177 176 173 129 179 157 146 147 137 148 144 146 131 130 136 149 126 142 147 147 150 148 157 160 164 176 163 175 174 173 140 97 133

Bt 169 160 160 154 150 156 83 91 109 185 187 186 108 176 182 136 137 126 118 112 113 114 112 115 157 136 148 141 139 143 144 155 158 130 134 140 159 156 155 109 65 101

TWD 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3

64

Lampiran 7. Contoh hasil uji beda nyata Rd, Gd, Bd, Rt, Gt, Bt terhadap tingkat warna daun pada berbagai intensitas cahaya dan warna kulit telapak tangan Variabel penciri : Rd, Gd, Bd, Rt, Gt, Bt Software : SPSS 17.0 Metoda : One Way Annova Telepon seluler : Samsung Galaxy Ace

Notes Output Created

21-Jun-2012 17:30:18

Comments Input

Active Dataset

DataSet0

Filter

<none>

Weight

<none>

Split File

<none>

N of Rows in Working Data

1151

File Missing Value Handling

Definition of Missing

User-defined missing values are treated as missing.

Cases Used

Statistics for each analysis are based on cases with no missing data for any variable in the analysis.

Syntax

ONEWAY VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 BY VAR00001 /MISSING ANALYSIS.

Resources

Processor Time

0:00:00.016

Elapsed Time

0:00:00.063

65

ANOVA

Sum of Squares RD

GD

BD

RT

GT

BT

Between Groups

df

Mean Square

18571.807

4

4642.952

Within Groups

662717.150

1146

578.287

Total

681288.957

1150

44835.600

4

11208.900

Within Groups

494095.422

1146

431.148

Total

538931.022

1150

15390.800

4

3847.700

Within Groups

765600.264

1146

668.063

Total

780991.065

1150

6602.620

4

1650.655

Within Groups

803438.939

1146

701.081

Total

810041.559

1150

1801.001

4

450.250

Within Groups

681070.966

1146

594.303

Total

682871.967

1150

2201.390

4

550.347

Within Groups

1054506.608

1146

920.163

Total

1056707.998

1150

Between Groups

Between Groups

Between Groups

Between Groups

Between Groups

F

Sig.

8.029

.000*

25.998

.000*

5.759

.000*

2.354

.052

.758

.553

.598

.664

*Berbeda nyata pada taraf 95

66

Lampiran 8. Contoh hasil analisis uji beda nyata komponen warna tangan dan daun terhadap tingkat warna

No

Handphone

1

Samsung Galaxy

2

Nexian

3

Sony Ericcson

4

Samsung GT

5

LG

Tingkat Warna Daun 2 dan 2.5 2 dan 3 2 dan 3.5 2 dan 4 2.5 dan 3 2.5 dan 3.5 2.5 dan 4 3 dan 3.5 3 dan 4 3.5 dan 4 2 dan 2.5 2 dan 3 2 dan 3.5 2 dan 4 2.5 dan 3 2.5 dan 3.5 2.5 dan 4 3 dan 3.5 3 dan 4 3.5 dan 4 2 dan 2.5 2 dan 3 2 dan 3.5 2 dan 4 2.5 dan 3 2.5 dan 3.5 2.5 dan 4 3 dan 3.5 3 dan 4 3.5 dan 4 2 dan 2.5 2 dan 3 2 dan 3.5 2 dan 4 2.5 dan 3 2.5 dan 3.5 2.5 dan 4 3 dan 3.5 3 dan 4 3.5 dan 4 2 dan 2.5 2 dan 3 2 dan 3.5 2 dan 4 2.5 dan 3 2.5 dan 3.5 2.5 dan 4 3 dan 3.5 3 dan 4 3.5 dan 4

F Hitung 0.010 0.000 0.001 0.006 0.005 0.263 0.172 0.028 0.035 0.010 0.001 0.003 0.000 0.000 0.005 0.005 0.001 0.045 0.000 0.603 0.017 0.014 0.011 0.002 0.070 0.000 0.010 0.009 0.012 0.064 0.026 0.076 0.003 0.000 0.175 0.005 0.000 0.041 0.000 0.011 0.015 0.000 0.000 0.000 0.314 0.001 0.000 0.000 0.000 0.087

Beda nyata/tidak beda nyata pada tingkat kepercayaan 95% Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Tidak berbeda nyata Tidak berbeda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Tidak berbeda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata Tidak berbeda nyata Beda nyata Beda nyata Beda nyata Beda nyata Beda nyata

67

Lampiran 9. Contoh hasil analisis uji beda nyata komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan saat intensitas cahaya rendah (800-5000 lux) Variabel No

1

2

3

4

5

Handphone

Samsung Galaxy

Sony Ericcson

LG

Samsung Young

Nexian

Penciri

Beda nyata/tidak beda nyata F hitung

Signifikan

pada tingkat kepercayaan 95%

Rd

5.512

0.001

Beda nyata

Gd

4.837

0.001

Beda nyata

Bd

1.929

0.107

Tidak berbeda nyata

Rt

3.291

0.012

Beda nyata

Gt

1.337

0.257

Tidak berbeda nyata

Bt

2.553

0.040

Beda nyata

Rd

5.553

0.000

Beda nyata

Gd

4.545

0.002

Beda nyata

Bd

1.743

0.142

Tidak berbeda nyata

Rt

0.638

0.636

Tidak berbeda nyata

Gt

0.933

0.446

Tidak berbeda nyata

Bt

1.634

0.167

Tidak berbeda nyata

Rd

4.617

0.001

Beda nyata

Gd

3.184

0.014

Beda nyata

Bd

4.982

0.001

Beda nyata

Rt

4.802

0.001

Beda nyata

Gt

1.95

0.103

Tidak berbeda nyata

Bt

1.914

0.109

Tidak berbeda nyata

Rd

13.195

0.000

Beda nyata

Gd

11.477

0.000

Beda nyata

Bd

4.945

0.001

Beda nyata

Rt

3.164

0.015

Beda nyata

Gt

1.64

0.165

Tidak berbeda nyata

Bt

1.278

0.279

Tidak berbeda nyata

Rd

3.774

0.005

Beda nyata

Gd

7.902

0.000

Beda nyata

Bd

0.792

0.532

Tidak berbeda nyata

Rt

1.506

0.201

Tidak berbeda nyata

Gt

1.365

0.247

Tidak berbeda nyata

Bt

1.606

0.174

Tidak berbeda nyata

68

Lampiran 10. Contoh hasil analisis uji beda nyata komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan saat intensitas cahaya rendah (5000-8000 lux) Beda nyata/tidak beda nyata Variabel No

1

2

3

4

5

Handphone

Samsung Ace

Sony Ericcson

LG

Samsung Young

Nexian

pada tingkat kepercayaan

Penciri

F hitung

Signifikan

95%

Rd

0.748

0.526

Tidak berbeda nyata

Gd

10.893

0.030

Beda nyata

Bd

3.267

0.024

Beda nyata

Rt

6.811

0.000

Beda nyata

Gt

1.805

0.151

Tidak berbeda nyata

Bt

1.08

0.361

Tidak berbeda nyata

Rd

12.171

0.062

Beda nyata

Gd

19.633

0.028

Beda nyata

Bd

14.733

0.057

Beda nyata

Rt

0.817

0.488

Tidak berbeda nyata

Gt

0.486

0.693

Tidak berbeda nyata

Bt

5.067

0.003

Beda nyata

Rd

5.407

0.001

Beda nyata

Gd

5.988

0.001

Beda nyata

Bd

9.277

0.042

Beda nyata

Rt

19.295

0.122

Tidak berbeda nyata

Gt

9.566

0.154

Tidak berbeda nyata

Bt

11.29

0.343

Tidak berbeda nyata

Rd

13.516

0.521

Tidak berbeda nyata

Gd

5.118

0.008

Beda nyata

Bd

6.35

0.003

Beda nyata

Rt

9.778

0.144

Tidak berbeda nyata

Gt

7.096

0.001

Beda nyata

Bt

4.856

0.154

Tidak berbeda nyata

Rd

2.153

0.078

Beda nyata

Gd

6.939

0.040

Beda nyata

Bd

1.198

0.315

Tidak berbeda nyata

Rt

3.639

0.008

Beda nyata

Gt

4.01

0.004

Beda nyata

Bt

1.606

0.174

Tidak berbeda nyata

69

Lampiran 11. Hasil analisis uji beda nyata komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan saat intensitas cahaya (>10.000 lux) Variabel No

1

2

3

4

5

Handphone

Samsung Ace

Sony Ericcson

LG

Samsung Young

Nexian

Beda nyata/tidak beda nyata pada

Penciri

F hitung

Signifikan

tingkat kepercayaan 95%

Rd

5.512

0.101

Tidak berbeda nyata

Gd

4.837

0.071

Beda nyata

Bd

1.929

0.107

Tidak berbeda nyata

Rt

3.291

0.012

Beda nyata

Gt

1.337

0.257

Tidak berbeda nyata

Bt

2.553

0.04

Beda nyata

Rd

5.553

0

Beda nyata

Gd

4.545

0.092

Beda nyata

Bd

1.743

0.142

Tidak berbeda nyata

Rt

0.638

0.636

Tidak berbeda nyata

Gt

0.933

0.446

Tidak berbeda nyata

Bt

1.634

0.167

Tidak berbeda nyata

Rd

4.617

0.071

Beda nyata

Gd

3.184

0.084

Beda nyata

Bd

4.982

0.001

Beda nyata

Rt

4.802

0.001

Beda nyata

Gt

1.95

0.103

Tidak berbeda nyata

Bt

1.914

0.109

Tidak berbeda nyata

Rd

13.195

0.11

Tidak berbeda nyata

Gd

11.477

0.09

Beda nyata

Bd

4.945

0.001

Beda nyata

Rt

3.164

0.015

Beda nyata

Gt

1.64

0.165

Tidak berbeda nyata

Bt

1.278

0.279

Tidak berbeda nyata

Rd

3.774

0.075

Beda nyata

Gd

7.902

0.05

Beda nyata

Bd

0.792

0.532

Tidak berbeda nyata

Rt

1.506

0.201

Tidak berbeda nyata

Gt

1.365

0.247

Tidak berbeda nyata

Bt

1.606

0.174

Tidak berbeda nyata

70

Lampiran 12. Hasil analisis uji beda nyata komponen warna tangan dan daun terhadap berbagai warna kulit telapak tangan dengan frame dipenuhi oleh citra telapak tangan saat intensitas cahaya rendah (800-5000 lux) Variabel No

1

2

3

4

5

Handphone

Samsung Ace

Sony Ericcson

LG

Samsung Young

Nexian

Beda nyata/tidak beda nyata

Penciri

F hitung

Signifikan

pada tingkat kepercayaan 95%

Rd

8.029

0.000

Beda nyata

Gd

25.998

0.000

Beda nyata

Bd

5.759

0.000

Beda nyata

Rt

2.354

0.052

Beda nyata

Gt

0.758

0.553

Tidak berbeda nyata

Bt

0.598

0.664

Tidak berbeda nyata

Rd

33.345

0.000

Beda nyata

Gd

21.642

0.000

Beda nyata

Bd

0.914

0.455

Tidak berbeda nyata

Rt

4.004

0.003

Beda nyata

Gt

7.344

0.000

Beda nyata

Bt

2.881

0.022

Beda nyata

Rd

14.809

0.000

Beda nyata

Gd

11.177

0.000

Beda nyata

Bd

20.438

0.000

Beda nyata

Rt

8.38

0.000

Beda nyata

Gt

7.627

0.000

Beda nyata

Bt

6.863

0.000

Beda nyata

Rd

11.671

0.000

Beda nyata

Gd

8.278

0.000

Beda nyata

Bd

10.234

0.000

Beda nyata

Rt

0.749

0.559

Tidak berbeda nyata

Gt

2.147

0.073

Tidak berbeda nyata

Bt

3.762

0.005

Beda nyata

Rd

5.323

0.000

Beda nyata

Gd

15.711

0.000

Beda nyata

Bd

0.344

0.848

Tidak berbeda nyata

Rt

0.899

0.464

Tidak berbeda nyata

Gt

0.879

0.476

Tidak berbeda nyata

Bt

1.045

0.383

Tidak berbeda nyata

71

Lampiran 13. Contoh citra pada berbagai tingkat warna daun

Gambar 1. Tingkat warna daun 2

Gambar 2. Tingkat warna daun 2.5

Gambar 3. Tingkat warna daun 3

72

Gambar 4. Tingkat warna daun 3.5

Gambar 5. Tingkat warna daun 4

73

Lampiran 14. Contoh citra pada berbagai tingkat intensitas cahaya

Gambar 6. Citra dengan intensitas cahaya 1500-2000 lux, TWD = 2

Gambar 7. Citra dengan intensitas Cahaya 3000-4000 lux, TWD = 3

Gambar 8. Citra dengan intensitas Cahaya 5000-7000 lux, TWD = 4

74

Gambar 9. Citra dengan intensitas Cahaya 10000-40000 lux, TWD = 2

Gambar 10. Citra dengan intensitas Cahaya 50000-80000 lux, TWD = 3

Gambar 11. Citra dengan intensitas Cahaya 100000-150000 lux, TWD = 4

75

Lampiran 15. Contoh citra pada berbagai warna kulit telapak tangan

Gambar 12. Citra dengan warna kulit putih

Gambar 13. Citra dengan warna putih sedang

Gambar 14. Citra dengan warna kulit gelap

76

Lampiran 16. Contoh posisi pengambilan citra

Gambar 15. Posisi engambilan citra dibawah bayangan tubuh

77

Lampiran 17. Kegiatan pembuatan petakan perlakuan budidaya padi

Gambar 16. Perataan tanah (leveling) di lahan Karawang

Gambar 17. Perataan tanah (leveling) di lahan Karawang

Gambar 18. Petakan perlakuan siap tanam (a) dan petkan baru tanam (b) di lahan Karawang

78

Lampiran 18. Kegiatan pembutan petakan perlakuan

Gambar 19. Petakan perlakuan di lahan Leuwingkolot-bogor

Gambar 20. Petakan perlakuan di lahan Leuwingkolot-bogor

Gambar 21. Petakan diluar perlakuan lahan Leuwingkolot-bogor

79

Lampiran 19. Kegiatan pemupukan padi

Gambar 22. Pemupukan di lahan Cianjur

Gambar 23. Pemupukan di lahan Karawang

80

Lampiran 20. Rencana Kegiatan Penelitian

RENCANA KEGIATAN

Januari 2012

Kegiatan 1

No

2

Penyusunan proposal Persiapan penelitian

3

Penelitian

1

6

Pengolahan data dan analisis data Penyusunan Skripsi Persiapan ujian akhir

7

Perbaikan skripsi

4 5

2

3

Feb 2012 4

1

2

3

Maret 2012 4

1

2

3

4

Apr-12 1

2

3

Mei 2012 4

1

2

3

Juni 2012 4

1

2

3

Juli 2012 4

1

2

3

Agu 2012 4

1

2

3

Sep-12 4

1

2

UAS (Ujian Akhir Semester)

81

3

4