aplikasi mobile identifikasi penyakit daun kubis … · fakultas matematika dan ilmu pengetahuan...
Post on 25-Mar-2019
246 Views
Preview:
TRANSCRIPT
APLIKASI MOBILE IDENTIFIKASI PENYAKIT DAUN
KUBIS DENGAN FAST FOURIER TRANSFORM DAN
PROBABILISTIC NEURAL NETWORK
ALRASYID TRIO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Mobile
Identifikasi Penyakit Daun Kubis dengan Fast Fourier Transform dan
Probabilistic Neural Network adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Februari 2014
Alrasyid Trio
NIM G64104042
ABSTRAK
ALRASYID TRIO. Aplikasi Mobile Identifikasi Penyakit pada Daun Kubis
dengan Probabilistic Neural Network dan Fast Fourier Transform. Dibimbing
oleh YENI HERDIYENI dan AUNU RAUF.
Penyakit pada daun kubis dapat mengakibatkan penurunan kualitas dan
kuantitas hasil panen atau gagal panen. Tujuan penelitian ini adalah membuat
aplikasi mobile dengan menerapkan teknik ekstraksi fitur menggunakan Fast
Fourier Transform (FFT) dan teknik klasifikasi Probabilistic Neural Network
(PNN) untuk pengenalan penyakit daun kubis. Aplikasi mobile identifikasi
penyakit pada daun kubis ini berjalan pada platform android. Akurasi ekstraksi
fitur FFT dan klasifikasi PNN dengan bias 0.03 sebesar 58.33%. Akurasi yang
dihasilkan masih belum memuaskan, masih terdapat kesalahan dalam mengenali
penyakit daun kubis.
Kata kunci: Fast Fourier Transform, Penyakit daun kubis, Probabilistic Neural
Network
ABSTRACT
ALRASYID TRIO. Mobile application for the identification of cabbage leaf
diseases with Probabilistic Neural Network and Fast Fourier Transform.
Supervised by YENI HERDIYENI and AUNU RAUF.
Disease in cabbage leaves can lead to a decrease in the quality and
quantity of crop yields or crop failure. The purpose of this research is to develop a
mobile application by applying the Fast Fourier Transform feature extraction
technique and Probabilistic Neural Network classification technique to identify
the cabbage leaf disease. This mobile application runs on android platform. It is
found that the accuracy of FFT feature extraction and PNN classification with bias
0.03 is 58.33%. The obtained accuracy is still not satisfactory since there are some
errors in identifying the cabbage leaf disease.
Key words: Cabbage leaf disease, Fast Fourier Transform, Probabilistic Neural
Network
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
APLIKASI MOBILE IDENTIFIKASI PENYAKIT DAUN
KUBIS DENGAN FAST FOURIER TRANSFORM DAN
PROBABILISTIC NEURAL NETWORK
ALRASYID TRIO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji : Aziz Kustiyo SSi, MKom
Judul Skripsi : Aplikasi Mobile Identifikasi Penyakit Daun Kubis dengan Fast
Fourier Transform dan Probabilistic Neural Network Nama : Alrasyid Trio
NIM : G64104042
Disetujui oleh
Dr Yeni Herdiyeni SSi, MKom
Pembimbing I
Prof Dr Ir Aunu Rauf, MSc
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah dengan judul Mobile Application
Identifikasi Penyakit Tanaman kubis dengan Probabilistic Neural Network dan
Fast Fourier Transform ini berhasil diselesaikan. Adapun penulis mengucapkan
terima kasih kepada:
1 Ibu Dr Yeni Herdiyeni SSi, MKom dan Prof Dr Ir Aunu Rauf MSc selaku
pembimbing yang telah banyak memberi saran.
2 Kedua Orang Tua Ilalia Syukri dan Dahlia; Saudara sekandung, Ayuk Olia
Sari, Kakak Epro Barades dan Adik Aji Ispatrika; Serta seluruh keluarga yang
telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat
menyelesaikan penelitian ini.
3 Teman-teman bimbingan selama penulis menyelesaikan penelitian, Kholis,
Mega, Kak Desta, Kak Rahmat, Dedi, Muchlis, Yusrizal, Hanung dan teman-
teman lainnya.
4 Teman-teman Ekstensi ILKOM angkatan 5, atas kerjasamanya selama
perkuliahan.
5 Ipit yang selalu ada setiap dibutuhkan.
6 Teman-teman di PT AMN Indonesia.
7 Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian ini
yang tidak dapat penulis tuliskan satu persatu.
Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Februari 2014
Alrasyid Trio
DAFTAR ISI
DAFTAR TABEL viii DAFTAR GAMBAR viii DAFTAR LAMPIRAN viii PENDAHULUAN 1
Latar Belakang 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 2 Kubis 2 Fourier Transform 4 Probabilistic Neural Network 6
METODE 7 Client 8 Server 8 Klasifikasi dengan PNN 10 Identifikasi Penyakit 10 Evaluasi atau Pengujian 10 Lingkungan Pengembangan 10
HASIL DAN PEMBAHASAN 10 Hasil Praproses 10 Ekstraksi Ciri 11 Model Klasifikasi Citra 12 Evaluasi 14 Identifikasi Citra 14 Hasil Antarmuka Sistem 15
SIMPULAN DAN SARAN 16 Simpulan 16 Saran 16
DAFTAR PUSTAKA 17 LAMPIRAN 18
DAFTAR TABEL
1 Skenario percobaan dengan k-fold 13
2 Hasil akurasi setiap fold 13
3 Hasil klasifikasi penyakit kubis 13
4 Nilai akurasi setiap kelas penyakit 14
DAFTAR GAMBAR
1 Tanaman kubis 3
2 Bercak daun alternaria 3
3 Penyakit busuk hitam 3
4 Penyakit embun bulu 4
5 Tranformasi fourier 4
6 Spektrum fourier 5
7 Magnitude dan phase 5
8 Struktur PNN 6
9 Metodologi penelitian 7
10 Praproses data (a) data citra asli (b) data citra dipotong pada bagian penyakit
dengan ukuran 500x500 pixel (c) data citra yang di-grayscale 8
11 Ekstraksi ciri FFT (a) citra grayscale penyakit daun (b) cpektrum fourier (c)
spektrum frekuensi 9
12 Pembentukan vektor ciri 9
13 Hasil praproses data. (a) data citra asli. (b) data citra dipotong pada bagian
penyakit dengan ukuran 500x500 pixel. (c) data citra yang di-grayscale 11
14 Penyakit bercak daun Alternaria dengan spektrum frekuensi 11
15 Penyakit busuk hitam dan spektrum frekuensi 12
16 Penyakit embun bulu dan spektrum hasil 12
17 Citra penyakit busuk hitam yang blur dan citra yang tidak terpotong dengan
tepat 14
18 Tampilan Home 15
19 (a) Tampilan menu jenis penyakit dan (b) tampilan detail jenis penyakit 15
20 Antar muka identifikasi citra 16
DAFTAR LAMPIRAN
1 Penyakit bercak daun alternaria 18
2 Penyakit busuk hitam 18
3 Penyakit embun bulu 18
PENDAHULUAN
Latar Belakang
Indonesia merupakan salah satu negara penghasil kubis akan tetapi dalam
kurun waktu lima tahun terakhir (2007-2011) Indonesia mengalami penurunan
produktivitas kubis. Tahun 2007 produktivitas kubis mencapai 21.23 ton/ha,
sementara tahun 2011 hanya sebesar 20.88 ton/ha (BPS 2012). Volume ekspor
kubis juga mengalami penurunan. Pada tahun 2007 ekspor kubis mencapai
45.323 ton. Angka ini jauh lebih besar dibandingkan dengan tahun 2011 yang
hanya mencapai 23.941 ton (Deptan 2012). Kubis atau kol merupakan salah satu
komoditas utama sayuran Indonesia. Serangan penyakit pada tanaman kubis
merupakan faktor pembatas pertumbuhan dan hasil produktivitas kubis. Serangan
yang hebat bisa menyebabkan gagal panen, sehingga dibutuhkan pengetahuan
untuk mengenali penyakit-penyakit pada tanaman kubis. Penyakit tanaman
adalah kondisi sel dan jaringan tanaman tidak dapat berfungsi secara normal, yang
disebabkan adanya gangguan secara terus menerus oleh gen patogenik (biotik)
atau faktor lingkungan (abiotik) dan akan menghasilkan perkembangan gejala.
Penyakit tanaman terjadi bila salah satu atau beberapa fungsi fisiologis tanaman
menjadi abnormal karena adanya gangguan patogen atau kondisi lingkungan
tertentu. Penyakit yang menyerang tanaman kubis di antaranya bercak daun
alternaria, busuk hitam, dan embun bulu. Penyakit tersebut dapat mengakibatkan
penurunan kualitas dan kuantitas hasil pertanian secara signifikan sehingga secara
ekonomis dapat menyebabkan kerugian bagi petani.
Petugas Pengendali Organisme Penganggu Tanaman (POPT) melakukan
kegiatan penghitungan dan pengumpulan informasi tingkat serangan Organisme
Pengganggu Tanaman (OPT) (Deptan 2007). OPT merupakan kendala dan risiko
yang harus diperhitungkan dalam setiap usaha budidaya tanaman, karena
mengakibatkan kehilangan hasil yang cukup tinggi (Deptan DJTP 2010).
Tindakan POPT dimaksudkan untuk mencegah kerugian ekonomi berupa
kehilangan hasil (kuantitas) dan penurunan mutu (kualitas) produk (Deptan
Ditsayur 2011). Untuk itu diperlukan identifikasi dini terhadap penyakit yang
menyerang tanaman agar mudah dilakukan pencegahan. Gejala dan pengendalian
penyakit menjadi hal yang penting untuk diketahui. Pengetahuan ini diharapkan
dapat membantu petani yang akan menanam kubis.
Penerapan pengolahan citra di bidang pertanian seperti teknik pencitraan,
deteksi gulma, dan penyortiran buah telah dilakukan oleh Vibhute dan Bodhe
(2012). Pengolahan citra terbukti sebagai alat yang efektif untuk analisis di sektor
pertanian. Parameter hasil dan kualitas produk menjadi ukuran penting bagi
petani. Seringkali saran dari pakar tidak terjangkau karena ketersediaan pakar dan
pelayanan yang memakan waktu. Pengolahan citra serta ketersediaan jaringan
komunikasi dapat digunakan untuk mendapatkan saran pakar dengan baik dalam
waktu dan biaya yang terjangkau. Hasil analisis dengan pengolahan citra telah
terbukti akurat dan memakan sedikit waktu dibandingkan dengan metode
tradisional.
Penelitian sebelumnya terkait dengan identifikasi penyakit pada daun
antara lain Irfansyah (2011) yang telah menerapkan metode jaringan syaraf tiruan.
2
Penelitian tersebut melakukan proses pembentukan cluster data citra. Dari proses
tersebut, pengukuran kemiripan untuk tipe citra kueri dilakukan terhadap cluster
citra yang telah terbentuk. Pada penelitian tersebut diterapkan metode KNN
sebagai model klasifikasi.
Pada penelitian ini Fast Fourier Transform (FFT) digunakan untuk
mendapatkan ekstraksi ciri. Penelitian ini mengidentifikasi penyakit daun pada
tanaman kubis dengan menerapkan FFT untuk ekstraksi cirinya, kemudian
dilakukan klasifikasi hasil ekstraksi yang telah didapat sebelumnya dengan
menggunakan Probabilistic Neural Network (PNN). Diharapkan identifikasi
penyakit daun dengan metode PNN akan meningkatkan akurasi klasifikasi,
sehingga identifikasi yang dihasilkan dapat lebih akurat.
Tujuan Penelitian
Tujuan penelitian ini adalah membuat aplikasi mobile dengan menerapkan
teknik ekstraksi fitur menggunakan Fast Fourier Transform dan teknik klasifikasi
Probabilistic Neural Network untuk pengenalan penyakit daun kubis.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu identifikasi jenis penyakit
kubis berdasarkan citra daun yang terkena serangan, sehingga memudahkan
klasifikasi jenisnya.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini adalah data citra daun kubis yang
terkena penyakit. Terdapat 3 jenis penyakit kubis yang digunakan yaitu bercak
daun alternaria, penyakit busuk hitam dan penyakit embun bulu.
TINJAUAN PUSTAKA
Kubis
Kubis merupakan salah satu tanaman sayuran yang cukup dikenal di
Indonesia yang dapat dikonsumsi baik dalam keadaan segar maupun olahan.
Tanaman kubis merupakan tanaman semusim. Tanaman kubis banyak ditanam di
daerah pegunungan dengan ketinggian ±800m di atas permukaan laut (dpl) dan
mempunyai penyebaran hujan yang cukup setiap tahunnya. Sebagian kubis
tumbuh baik pada ketinggian 100-200 m dpl, tetapi jumlah varietasnya tidak
banyak dan tidak dapat menghasilkan biji. Pada daerah yang ketinggiannya di
bawah 100 m, tanaman kubis tumbuh kurang baik (Parmadi dan Sastrosiswojo
1993). Nama kubis diduga berasal dari bahasa Inggris yaitu cabbage. Di
Indonesia, kubis sering juga disebut sebagai kol. Tanaman kubis (Brassicae
oleraceae) termasuk famili Cruciferae, kelas Dicotyledoneae, subdivisi
Angiospermae dan divisi Embriophyta (Pracaya 2001). Salah satu contoh gambar
tanaman kubis dapat dilihat pada Gambar 1.
3
Penyakit kubis yang terjadi di daerah Cipanas antara lain bercak daun
alernaria (dark leaf spot), busuk hitam (black rot), dan embun bulu (downy
mildew). Penyakit bercak daun alternaria dicirikan dengan timbulnya bercak-
bercak bulat konsentris berwama hitam dan kelabu. Penyebaran kedua patogen ini
dapat melalui udara dan benih (Semangun 2000). Bercak bulat tersebut
merupakan kumpulan spora patogen. Serangan bercak daun pada musim hujan
lebih tinggi dibandingkan dengan musim kemarau dan bila kelembaban tinggi
cendawan terlihat sebagai bulu-bulu halus kebiruan di tengah bercak (DPH 2002).
Salah satu contoh gambar bercak daun alternaria dapat dilihat pada Gambar 2,
sedangkan gambar-gambar penyakit bercak daun alternaria dapat dilihat pada
Lampiran 1.
Penyakit busuk hitam dicirikan dengan adanya bercak kuning menyerupai
huruf V di sepanjang pinggir daun mengarah ke tengah daun. Tulang-tulang daun
berwarna cokelat tua atau hitam. Penyaluran air pada bagian yang bergejala
terhambat sehingga daun membusuk dan berwarna hitam. Serangan patogen
terjadi mulai dari persemaian kemudian di lapangan, hingga pada pascapanen.
Gambar 1 Tanaman kubis
Gambar 2 Bercak daun alternaria
Gambar 3 Penyakit busuk hitam
4
Bakteri masuk ke dalam tanaman kubis melalui pori air (hidatoda) pada ujung-
ujung berkas pembuluh di tepi daun (Semangun 2000). Salah satu contoh penyakit
busuk hitam dapat dilihat pada Gambar 3, sedangkan gambar-gambar penyakit
busuk hitam dapat dilihat pada Lampiran 2.
Penyakit embun bulu dicirikan dengan adanya bercak abu-abu sampai
hitam kemudian membusuk. Penyakit embun bulu merupakan penyakit yang
banyak terjadi di lingkungan yang panas dengan kelembaban yang tinggi. Salah
satu contoh penyakit embun bulu dapat dilihat pada Gambar 4, sedangkan
gambar-gambar penyakit embun bulu dapat dilihat pada Lampiran 3.
Fourier Transform
Fourier transform (FT) adalah metode analisis sinyal yang paling banyak
digunakan. Ditemukan oleh matematikawan Perancis Joseph Fourier Pada tahun
1807, bahwa fungsi periodik dapat diwakili oleh jumlah eksponensial kompleks
yang tak terbatas. Pada tahun 1965 FT menjadi semakin populer dengan Fast
Fourier Transform (FFT) (Merry 2005). FT digunakan untuk mengubah domain
spasial pada citra digital menjadi domain frekuensi. Dengan menggunakan FT,
citra dapat dilihat sebagai suatu objek dalam domain frekuensi, seperti yang
diilustrasikan pada Gambar 5.
Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua
dimensi yang kontinu menjadi gambar diskret melalui proses sampling. Gambar
analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskret.
Persilangan antara baris dan kolom tertentu disebut dengan piksel. Contohnya
adalah gambar atau titik diskret pada baris n dan kolom m disebut dengan
Gambar 4 Penyakit embun bulu
Gambar 5 Tranformasi fourier
5
piksel[n,m]. Transformasi fourier merupakan representasi dari sebuah citra
sebagai penjumlahan eksponensial kompleks dari beragam magnitude, frekuensi
dan fasa. FT akan menghasilkan Spektrum Fourier. Spektrum fourier dapat
memberikan informasi tentang tinggi rendah frekuensi citra.
Discrete fourier transform (DFT) 2D adalah suatu algoritma FFT yang
efesien untuk menghitung tranformasi diskret. Jumlah frekuensi sesuai dengan
jumlah piksel pada gambar domain spasial, yaitu ukuran gambar domain spasial
dan domain fourier sama. Contoh dari implementasi DFT 2D dapat dilihat pada
Gambar 6.
Perhitungan DFT 2D :
(k l) ∑ ∑ f(i j) e-i (ki
lj
) -
j
-
i (1)
DFT menghasilkan bilangan kompleks yang di tampilkan dalam dua
gambar, yaitu unsur real dan imaginary atau magnitude dan phase. Magnitude
mempresentasikan jumlah komponen frekuensi dalam citra tersebut, sedangkan
phase mempresentasikan letak frekuensi dalam citra tersebut. Ilustrasi dari
magnitude dan phase dapat dilihat pada Gambar 7.
Spektrum fourier dapat memberikan informasi tentang tinggi rendahnya
frekuensi citra. Dari spektrum fourier dapat dilihat hampir semua informasi
mendekati pusat gambar yang merupakan frekuensi rendah. Proses FFT adalah
proses DFT yang dibagi menjadi 2 bagian. Hal ini masih bisa dilanjutkan dengan
Gambar 6 Spektrum fourier
Gambar 7 Magnitude dan phase
6
memperhatikan kembali sifat dari fungsi sinus dan cosinus pada setengah bagian,
seperempat bagian dan seterusnya, sehingga prosesnya menjadi lebih cepat.
Probabilistic Neural Network
Probabilistic Neural Network (PNN) diusulkan oleh Donald Specht pada
tahun 1990 sebagai alternatif dari back-propagation neural network. PNN
memiliki beberapa kelebihan yaitu, pelatihan yang hanya memerlukan satu kali
iterasi, dan solusi umumnya diperoleh dengan menggunakan pendekatan Bayesian
(Ramakrishnan 2008).
PNN merupakan jaringan syaraf tiruan yang menggunakan radial basis
function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan
variabel nonlinear (Wu et al. 2007). Keuntungan utama menggunakan PNN
adalah pelatihannya yang mudah dan cepat. Bobot bukan merupakan hasil
pelatihan melainkan nilai yang akan menjadi masukan.
PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola,
lapisan penjumlahan, dan lapisan keluaran. Struktur PNN selengkapnya
ditunjukkan pada Gambar 8. Lapisan-lapisan yang menyusun PNN sebagai
berikut:
1 Lapisan input (input layer)
Lapisan masukan merupakan input x yang terdiri atas nilai yang akan
diklasifikasikan pada salah satu kelas dari kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input dan
vektor bobot ij, yaitu i ij, kemudian dibagi dengan bias tertentu σ dan
selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas(n) e -n . Dengan demikian, persamaan yang digunakan pada lapisan pola sebagai
berikut:
( ) (- - ij
- ij
σ ) (1)
dengan xij menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j.
Gambar 8 Struktur PNN
7
3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada masing-masing kelas
dijumlahkan sehingga dihasilkan population density function untuk setiap
kelas. Persamaan yang digunakan pada lapisan ini adalah:
( )
k σk t
∑ e - - ij
- ij
σ t
i (2)
4 Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai
( ) paling besar dibandingkan kelas lainnya.
METODE
Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu
pengambilan data, praproses yang meliputi pemotongan citra yang terfokus pada
penyakit daun kubis serta pengubahan mode warna menjadi grayscale, ekstraksi
ciri pada penyakit daun kubis, klasifikasi data dengan PNN, dan perhitungan
tingkat akurasi.
Gambar 9 Metodologi penelitian
8
Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu
pengumpulan data citra daun, praproses data, pembagian data latih dan data uji,
ekstraksi dengan FFT, klasifikasi menggunakan PNN, identifikasi penyakit dan
evaluasi atau pengujian. Proses akan berlangsung pada dua sisi yaitu pada sisi
server dan sisi client. Pada sisi server akan berlangsung tahapan praproses,
ekstraksi fitur ciri, pembentukan model klasifikasi hingga proses identifikasi,
sedangkan pada proses client berlangsung proses akuisisi citra yang akan
diidentifikasi. Tahapan yang dilakukan diilustrasikan dalam Gambar 9.
Client
Pada sisi client, aplikasi yang dibuat berjalan pada platform android. Citra
yang terdapat pada gallery ponsel yang diambil dengan menggunakan kamera dan
telah dilakukan cropping kemudian dikirim ke server dengan menggunakan
jaringan internet untuk dilakukan identifikasi. Hasil identifikasi citra yang
dilakukan di server akan dikembalikan pada client dan dapat ditampilkan pada
layar ponsel client.
Server
Pada sisi server, pemrosesan dibagi menjadi dua bagian yaitu training dan
testing. Training citra adalah proses mendapatkan model klasifikasi penyakit daun
kubis yang didapat dari pengolahan citra dengan menggunakan transformasi
fourier dan testing adalah proses untuk menguji data latih dengan data uji untuk
mendapatkan keakuratan sistem.
Praproses Data
Sebelum melakukan ekstraksi ciri, citra yang digunakan diambil langsung
di lahan petani di daerah Cipanas. Hasil citra yang didapat pada lapangan, yaitu
dari tanaman kubis para petani yang terdapat di daerah Cipanas difoto
menggunakan kamera digital dengan beragam resolusi. Citra tersebut dipotong
pada daun yang terkena penyakit. Kemudian, citra yang merupakan komponen
warna RGB terlebih dahulu diubah ke menjadi grayscale. Dari ukuran citra yang
beragam, untuk melakukan proses training semua ukurannya disamakan menjadi
500x500 piksel. Alur praproses dapat dilihat pada Gambar 10.
Gambar 10 Praproses data (a) data citra asli (b) data citra dipotomg pada bagian
penyakit dengan ukuran 500x500 pixel (c) data citra yang di-
grayscale
9
Pembagian Citra Latih dan Citra Uji
Citra yang digunakan yaitu citra daun kubis yang diambil dari tanaman
kubis milik petani di Cipanas, Bogor. Pengambilan citra menggunakan kamera
digital. Data yang digunakan sebanyak 300 citra penyakit kubis yang terdiri atas
tiga kelas, yaitu busuk hitam (black rot), embun bulu (downey mildew), dan
bercak daun alternaria (dark leaf spot).
Data dibagi menjadi dua bagian yaitu data latih dan data uji. Data latih
digunakan sebagai masukan untuk pelatihan menggunakan PNN dan Data Uji
digunakan untuk menguji klasifikasi kubis. Pembagian data latih ini menggunakan
perbandingan 80% data latih dan 20% data uji.
Ekstraksi Ciri
Pada tahap ini, citra grayscale yang telah melalui tahap praproses
digunakan sebagai masukan untuk ekstraksi tekstur. Adakalanya suatu citra
diubah dari satu domain ke domain lainnya. Perubahan ini bertujuan
mempermudah pengkodean yang dikenal sebagai proses transformasi.
Transformasi fourier akan mengubah citra dari domain spatial ke domain
frekuensi, Transformasi fourier juga akan menghasilkan spektrum fourier.
Spektrum fourier diproses melalui beberapa tahap yaitu menghitung log spektrum
yang digunakan untuk menyesuaikan besarnya frekuensi spektrum, kemudian
direpresentasikan dalam bentuk sinyal sehingga dapat dijadikan sebagai ekstraksi
ciri. Tahapan ekstraksi ciri dapat dilihat pada Gambar 11.
Vektor ciri diperoleh dari spektrum hasil yang diubah kedalam bentuk
array 1 dimensi. Dari hasil vektor dianalisis penyakit dengan melihat pola dari
spektrum. Spektrum direpresentasikan dalam bentuk frekuensi. Representasi dari
spektrum dapat dilihat pada Gambar 12.
Gambar 11 Ekstraksi ciri FFT (a) citra grayscale penyakit daun (b) spektrum
fourier (c) spektrum frekuensi
Gambar 12 Pembentukan vektor ciri
10
Klasifikasi dengan PNN
Klasifikasi dilakukan dengan menggunakan PNN yang memiliki empat
lapisan yaitu lapisan masukkan, pola, penjumlahan, dan keluaran. Vektor ciri hasil
ekstraksi data uji menjadi masukan pada PNN. Lapisan pola menggunakan nilai
bias σ teta yang dicari secara trial and error sehingga mendapatkan akurasi
terbaik.
Identifikasi Penyakit
Identifikasi akan dicoba untuk seluruh data uji untuk mengetahui kinerja
identifikasi pada setiap penyakit. Identifikasi citra dilakukan dengan klasifikasi
menggunakan PNN.
Evaluasi atau Pengujian
Akurasi yang digunakan untuk menentukan hasil klasifikasi PNN yaitu
dengan persamaan berikut:
kurasi ∑ data uji benar diklasifikasikan
∑ data uji
Lingkungan Pengembangan
Sistem ini diimplementasikan dengan menggunakan perangkat keras dan
perangkat lunak sebagai berikut:
1 Perangkat Keras
Pentium(R) Dual-Core CPU T4300 @1.73GHz(2CPUs).
Memori 4 GB.
Harddisk kapasitas 160 GB.
2 Perangkat Lunak
Windows 7 Ultimate 32-bit.
Matlab 7.7(R2008b).
Open CV 2.1.
Eclipse Indigo Service Release 2.
XAMPP Version 1.8.1.
CodeBlocks 12.11.
HASIL DAN PEMBAHASAN
Hasil Praproses
Pada tahap awal praproses, citra RGB dilakukan pemotongan (cropping)
untuk mendapatkan objek tanaman berpenyakit. Citra hasil pemotongan
(cropping) kemudian dilakukan perubahan dari mode RGB menjadi grayscale.
11
Perubahan warna citra dilakukan dengan mengubah mode warna RGB (Red-
Green-Blue) yang terdiri atas 3 layer yakni layer R, layer G, dan layer B menjadi
mode warna grayscale yang terdiri atas 1 layer. Perubahan mode warna menjadi
grayscale disebabkan fourier mempelajari bentuk pola alih-alih warna. tahapan
praproses dapat dilihat pada Gambar 13.
Ekstraksi Ciri
Tahap ekstraksi ciri menggunakan citra yang telah melalui tahapan
praproses, yaitu citra grayscale yang berukuran 500x500 piksel. Citra hasil
praproses dilakukan pemodelan dengan menggunakan transformasi fourier dan
akan menghasilkan spektrum. Vektor ciri diperoleh dari spektrum hasil yang
diubah ke dalam bentuk array 1 dimensi.
Analisis penyakit dilakukan dengan melihat pola dari spektrum yang
terbentuk, yang kemudian akan ditandai dengan warna merah sebagai penanda
letak penyakit pada citra. Penentuan letak kotak merah dilakukan dengan cara
konvensional, yaitu melihat posisi penyakit berdasarkan letak piksel pada citra
terhadap posisi nilai spektrum. Pola spektrum yang dihasilkan berbeda-beda untuk
setiap jenis penyakit tanaman kubis.
Gambar 13 Hasil praproses data. (a) data citra asli. (b) data citra dipotong pada
bagian penyakit dengan ukuran 500x500 piksel. (c) data citra yang
di-grayscale
Gambar 14 Penyakit bercak daun Alternaria dengan spektrum frekuensi
12
Pada Gambar 14, penyakit bercak daun alternaria ditandai dengan pola
bercak-bercak pada daun jika dilihat dari gambar asli, sedangkan pada spektrum
sinyal yang dihasilkan memiliki pola menyebar antara sinyal frekuensi rendah dan
frekuensi tinggi. Pada spektrum frekuensi pola bercak-bercak pada daun ditandai
dengan frekuensi tingkat rendah.
Pada Gambar 15, penyakit busuk hitam didominasi oleh sinyal frekuensi
tinggi ditunjukkan spektrum frekuensi, bercak kuning pada busuk hitam ditandai
dengan huruf ‘V’. amun pada data citra tidak semua penyakit busuk hitam
ditandai dengan huruf ‘V’, disebabkan penyakit busuk hitam yang terus
berkembang dan pemotongan citra yang beragam. Pada Gambar 16, penyakit
embun bulu juga didominasi dengan sinyal frekuensi tinggi yang dapat terlihat
pada spektrum frekuensi.
Model Klasifikasi Citra
Pada penelitian ini digunakan 3 jenis penyakit pada daun kubis yaitu
penyakit busuk hitam, penyakit embun bulu, dan bercak daun alternaria. Masing-
masing 3 jenis penyakit kubis tersebut memiliki 100 data citra. Data latih dan data
uji dibagi menjadi 80% dan 20%. Dengan demikian, data latih sebanyak 80 citra
dan data uji sebanyak 20 citra untuk masing-masing jenis penyakit daun kubis,
sehingga total data latih sebanyak 240 citra dan 60 citra sebagai data uji.
Untuk memenuhi persentase 80% dan 20% dari data yang tersedia sebagai
data latih dan uji, penelitian ini menggunakan metode 5-fold cross validation
Gambar 16 Penyakit embun bulu dan spektrum hasil
Gambar 15 Penyakit busuk hitam dan spektrum frekuensi
13
untuk pembagian data tersebut. Skenario percobaan yang dilakukan seperti
ditunjukkan pada Tabel 1.
Tabel 1 Skenario percobaan dengan k-fold
Percobaan Data Subset
Fold 1 Data latih , , , Data uji
Fold 2 Data latih , , , Data uji
Fold 3 Data latih , , , Data uji
Fold 4 Data latih , , , Data uji
Fold 5
Data latih , , , Data uji
Tabel 2 Hasil akurasi setiap fold
Percobaan Akurasi
Fold 1 51.7 %
Fold 2 58.3 %
Fold 3 35 %
Fold 4 28.3 %
Fold 5 53.3 %
Tabel 3 Hasil klasifikasi penyakit kubis
Kelas Keterangan Bercak daun
alternaria
Busuk hitam Embun bulu
1 Bercak daun alternaria 14 1 5
2 Busuk hitam 5 10 5
3 Embun bulu 8 1 11
Pada Tabel 2 dapat dilihat akurasi pada setiap fold, akurasi terbesar terdapat
pada fold 2 sedangkan akurasi terkecil terdapat pada fold 3. Dari Tabel 3 dapat
dilihat bahwa kelas bercak daun alternaria terdapat 14 data yang benar
terklasifikasi pada kelasnya sementara 1 di antaranya terklasifikasi sebagai
penyakit busuk hitam, sedangkan 5 di antaranya terklasifikasi sebagai penyakit
embun bulu.
Pada kelas 2 yaitu penyakit busuk hitam terdapat 10 citra yang benar
terklasifikasi pada kelasnya, 5 di antaranya terklasifikasi pada penyakit bercak
daun alternaria, sedangkan 5 lainnya terklasifikasi sebagai penyakit embun bulu.
Pada kelas 3 yaitu embun terdapat 11 citra yang terklasifikasi dengan benar,
sedangkan 8 di antaranya terklasifikasi sebagai penyakit bercak daun alternaria
dan 1 citra terklasifikasi sebagai penyakit busuk hitam.
14
Evaluasi
Nilai akurasi sistem dapat dihitung berdasarkan hasil klasifikasi penyakit
kubis yang diperoleh dari tahapan sebelumnya. Nilai akurasi didapatkan dengan
menghitung banyaknya data uji yang terklasifikasikan dengan benar dibagi
dengan jumlah banyaknya data uji. Nilai akurasi pada Tabel 4 merupakan nilai
akurasi berdasarkan hasil klasifikasi pada Tabel 3.
Tabel 4 Nilai akurasi setiap kelas penyakit
Kelas Keterangan Akurasi
1 Bercak daun alternaria 70%
2 Busuk hitam 50%
3 Embun bulu 55.6%
Rata-rata akurasi 58.34%
Pada kelas bercak daun alternaria nilai akurasi yang diperoleh adalah 50%
nilai tersebut merupakan nilai klasifikasi terkecil di antara kelas penyakit yang
lain. Nilai tersebut dihasilkan karena data uji tidak terklasifikasi dengan benar.
Citra yang tidak terklasifikasi dengan benar dapat dipengaruhi dari teknik
pengambilan citra yang kurang tepat dan hasil pemotongan citra yang kurang
tepat. Contoh citra yang blur dan pemotongan citra yang kurang tepat dapat dilihat
pada Gambar 17.
Identifikasi Citra
Identifikasi citra dilakukan dengan klasifikasi menggunakan PNN. Hasil
ekstraksi berjumlah sembilan puluh citra yang terdiri atas tiga jenis penyakit
tanaman. Fitur FFT menghasilkan vektor-vektor histogram citra penyakit tanaman
kubis. Vektor-vektor tersebut yang menjadi masukan untuk klasifikasi citra pada
PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji, masing-
masing pembagian persentase untuk data latih dan data uji yaitu 80% dan 20%.
Untuk setiap jenis penyakit tanaman, 20 citra dari data uji digunakan untuk
melihat akurasi dari klasifikasi PNN.
Gambar 17 Citra penyakit busuk hitam yang blur dan citra yang tidak
terpotong dengan tepat
15
Hasil Antarmuka Sistem
Sistem ini diberi nama yaitu I-PEDIS. Antarmuka sistem ini terdiri atas
menu Home, Jenis Penyakit, Identifikasi, dan Petunjuk. Pada menu Home, user
dapat melihat semua tampilan dari sistem yang dikembangkan. Tampilan menu
Home dapat dilihat pada Gambar 18.
Gambar 18 Tampilan Home
Gambar 19 (a) merupakan tampilan pada menu Jenis Penyakit. Pada menu
ini, user dapat melihat semua jenis penyakit daun kubis, user harus memilih salah
satu citra kemudian akan masuk ke halaman detail dari citra tersebut. Gambar 19
(b) merupakan tampilan halaman detail dari salah satu penyakit daun kubis.
Menu Identifikasi merupakan menu inti pada sistem dan penelitian ini.
Pada menu ini, user dapat mengambil citra langsung dari kamera ponsel atau
memilih citra daun yang telah disimpan dalam gallery ponsel. Citra kueri tersebut
kemudian akan dikirimkan ke server melalui jaringan internet untuk dilakukan
proses identifikasi. Hasil identifikasi di server akan dikirimkan kembali ke ponsel
user. Gambar 20 merupakan antarmuka sistem pada saat identifikasi citra.
(a) (b)
Gambar 19 (a) Tampilan menu jenis penyakit dan (b) tampilan
detail jenis penyakit
16
Hasil yang ditampilkan pada menu identifikasi merupakan kelas citra yang
mirip dengan citra kueri yang dimasukkan yang diurutkan berdasarkan besar nilai
peluang pada masing-masing kelas.
SIMPULAN DAN SARAN
Simpulan
Penelitian mengenai identifikasi penyakit tanaman kubis dengan Fast
Fourier Transform dan Probabilistic Neural Network berhasil diimplementasikan.
Hasil ekstraksi fitur transformation fourier dan klasifikasi dengan PNN. Bias (s)
PNN yang digunakan sebesar 0.03. Akurasi yang dihasilkan dari ekstraksi fourier
belum memuaskan, karena masih terdapat kesalahan dalam mengenali penyakit
daun kubis. Penyakit daun busuk hitam jika dilihat dari spektrum frekuensi tidak
jauh berbeda dengan spektrum frekuensi bercak daun alternaria, demikian halnya
penyakit embun bulu juga memiliki frekuensi yang hampir sama dengan frekuensi
bercak daun alternaria. Dibutuhkan metode yang lebih baik untuk mendapatkan
akurasi yang lebih baik.
Saran
Beberapa hal yang perlu dikembangkan lebih lanjut dari penelitian ini
antara lain:
Gambar 20 Antar muka identifikasi citra
17
1 Penambahan data dengan akuisisi citra yang lebih baik dengan
memperhatikan penggunaan kamera yang lebih besar pikselnya,
pencahayaan, resolusi, dan sudut pengambilan yang lebih beragam.
2 Melakukan segmentasi otomatis pada saat praproses citra dan menambah
jenis penyakit yang dapat diidentifikasi.
DAFTAR PUSTAKA
[BPS] Badan Pusat Statistik dan Direktorat Jenderal Hortikultura. 2012.
Produktivitas Kol/Kubis Menurut Provinsi 2007-2011. Jakarta (ID): BPS.
[Deptan] Kementrian Pertanian. 2007. Peraturan Menteri Pertanian Republik
Indonesia Nomor 73 Tahun 2007 tentang Pedoman Pembinaan Tenaga
Harian Lepas (THL) Tenaga Bantu Pengendali Organisme Penggangu
Tumbuhan Pengamat Hama dan Penyakit (POPT-PHP). Jakarta
(ID):Deptan.
[Deptan] Kementerian Pertanian. 2012. Perkembangan Volume Ekspor Komoditas
Sayuran 2007-2011. Jakarta (ID): Deptan.
[Deptan DJTP] Kementrian Pertanian, Direktorat Jenderal Tanaman Pangan.
2010. Pedoman Pelaksanaan Perlindungan Tanaman Pangan Tahun 2010.
Jakarta (ID): Deptan.
[Deptan Ditsayur] Kementrian Pertanian, Direktorat Jenderal Holtikultura,
Direktorat Budidaya dan Pascapanen Sayuran dan Tanaman Obat. 2011.
Buku SOP Kubis. Jakarta (ID): Deptan.
[DPH]. 2002. Metode Pengamatan Organisme Pengganggu Tumbuhan (OPT)
Tanaman Sayur. Jakarta (ID): Direktorat Perlindungan Hortikultura.
Irfansyah M. 2011. Pengukuran kinerja k-nearest neighbors dan self organizing
maps menggunakan fitur fast fourier transform [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Merry RJE. 2005. Wavelet theory and applications [Internet]. [diunduh 2013 Jan
21]. Tersedia pada: http://alexandria.tue.nl/repository/books/612762.pdf
Parmadi AH. Sastrosiswojo S. 1993. Kubis. Jakarta: Balai Penelitian dan
Pengembangan Pertanian Balai Penelitian Hortikultura Lembang dengan
Program Nasional PHT Badan Perencanaan Pembangunan Nasional.
Pracaya. 2001. Bertanam Sayuran Organik. Jakarta: Penebar Swadaya.
Ramakrishnan S, Emary I. 2008. Comparative Study Between Traditional and
Modified Probabilistic Neural Network. India: Springer Science.
Semangun H. 2000. Penyakit-Penyakit Penting Tanaman Hortikultura di
Indonesia. Ed ke-4.Yogyakarta: Gajah Mada University Press.
Vibhute A, Bodhe SK. 2012. Applications of image processing in agriculture: a
survey. International Journal of Computer Applications. 52(2): 34-40.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A leaf
recognition algorithm for plant classification using probabilistic neural
network [Internet]. [diunduh 2013 Jan 21]. Tersedia pada:
http://arxiv.org/pdf/0707.4289.pdf
18
Lampiran 1 Penyakit bercak daun alternaria
19
Lampiran 2 Penyakit busuk hitam
20
Lampiran 3 Penyakit embun bulu
21
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 26 Juli 1989 di Baturaja. Penulis merupakan
anak ketiga dari empat bersaudara dari pasangan Bapak Ilalia Syukri dan Ibu
Dahlia. Pada tahun 2007, penulis lulus dari SMA Negeri 4 Baturaja. Pada tahun
yang sama, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi
Masuk IPB. Pada Tahun 2010, penulis lulus dari program Diploma Jurusan
Manajemen Informatika Institut Pertanian Bogor. Pada tahun yang sama, penulis
melanjutkan program studi Sarjana di Departemen Ilmu Komputer, Institut
Pertanian Bogor, Program Studi Ilmu Komputer.
top related