pendahuluan latar belakang - repository.ipb.ac.id · dan telah menjadi momok yang menakutkan bagi...

1

PENDAHULUAN

Latar Belakang

Penyakit tanaman adalah kondisi dimana

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 diantaranya

Bercak Daun, Bercak Kuning (pada tanaman

Anthurium), Tungro, Leaf Blast, Brown Spot,

dan Hawar Daun (pada tanaman Padi).

Penyakit tersebut dapat mengakibatkan

kematian dan penurunan kualitas dan kuantitas

hasil pertanian secara signifikan sehingga

secara ekonomis dapat menyebabkan kerugian

bagi petani. Untuk itu diperlukan identifikasi

dini terhadap penyakit yang menyerang

tanaman agar mudah dilakukan pencegahan.

Identifikasi penyakit tanaman dapat

ditentukan berdasarkan fitur atau penciri dari

suatu citra berpenyakit. Secara umum fitur

citra berupa warna, bentuk, dan tekstur.

Kebapci et al. (2009) telah melakukan

penggabungan ekstraksi ciri warna, bentuk,

dan tekstur untuk temu kembali citra tanaman

hias menggunakan Gabor dan SIFT. Pada

penelitian ini fitur atau penciri yang

digunakan adalah fitur tekstur, sedangkan ciri

warna dan bentuk tidak dapat digunakan,

disebabkan adanya kemiripan antara penyakit

yang satu dengan lainnya sehingga sulit untuk

dijadikan penciri dalam menentukan jenis

penyakit.

Penelitian tentang penyakit pada tanaman

sebelumnya sudah dilakukan. Phadikar dan

Jaya Sil (2008) melakukan penglasifikasian

daun padi yang berpenyakit mengggunakan

jaringan syaraf tiruan Self–Organizing Maps

(SOM). Sebelum dilakukan penglasifikasian

penelitian di atas terlebih dahulu melakukan

segmentasi terhadap citra penyakit yang akan

diolah. Umumnya proses segmentasi sulit

dilakukan, membutuhkan waktu yang lama

dan membutuhkan usaha yang tidak kecil

untuk melakukannya. Untuk mengatasi

permasalahan seperti ini (Nisa 2006)

melakukan identifikasi cacat citra tekstur

batik dengan menggunakan Fast Fourier

Transform (FFT). Spektrum fourier yang

dihasilkan dari FFT kemudian dihitung

berdasarkan parameter statistik yaitu mean,

standar deviasi, skewness, kurtosis, dan nilai

piksel tertinggi untuk mendapatkan ekstraksi

cirinya. Kulsum (2010) menggunakan

metode Local Binary Pattern (LBP) sebagai

ekstraksi cirinya dalam mengidentifikasi

jenis tanaman hias. Metode LBP merupakan

metode ekstraksi ciri berdasarkan ciri tekstur

tanpa melakukan tahap segmentasi di

dalamnya. LBP bekerja dengan membagi

citra ke dalam beberapa local region dan

setiap local region diekstraksi untuk

mendapatkan pola biner lokal.

Penelitian ini mengidentifikasi penyakit

daun pada tanaman Padi dan Anthurium

dengan menerapkan FFT dan LBP 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

Tujuan penelitian ini adalah menerapkan

metode Fast Fourier Transform dan Local

Binary Pattern descriptor sebagai ekstraksi

ciri dengan Probabilistic Neural Network

untuk klasifikasi penyakit pada daun

tanaman.

Ruang Lingkup

Ruang lingkup Penelitian ini adalah

identifikasi penyakit tanaman Padi dan

Anthurium di Persawahan Desa Laladon dan

Balai Penelitian Segunung Cipanas, Bogor,

Jawa Barat. Penyakit yang akan diidentifikasi

dalam penelitian ini adalah penyakit Bercak

Daun dan Bercak Kuning (pada tanaman

Anthurium), Tungro, Leaf Blast, Brown Spot,

dan Hawar Daun (pada tanaman Padi).

TINJAUAN PUSTAKA

Anthurium

Anthurium termasuk keluarga Araceae

yang memunyai perakaran yang banyak,

batang dan daun yang kokoh, serta bunga

berbentuk ekor. Dalam keluarga Araceae,

Anthurium adalah genus dengan jumlah jenis

terbanyak. Diperkirakan ada sekitar seribu

jenis anggota marga Anthurium. Beberapa

jenis tanaman Anthurium dapat dilihat pada

Gambar 1.

2

Gambar 1 Tanaman hias Anthurium.

Dalam sistematika (taksonomi) tumbuhan,

tanaman anthurium memunyai klasifikasi

sebagai berikut:

Kingdom : Plantae

Subkingdom : Tracheobionta

Divisi : Spermatophyta

Sub-Divisi : Angispermae

Kelas : Monocotyledonae

Subkelas : Aracidae

Ordo : Arales

Famili : Araceae

Genus : Anthurium

Spesies : A. Crytallianum, A.jemanii,

A. Hookeri, dan lain-lain.

(Tirja 2009).

Penyakit yang menyerang tanaman hias

pada umumnya disebabkan oleh dua penyebab

utama yaitu jamur dan bakteri. Serangan

jamur lebih sering dijumpai daripada serangan

bakteri. Akar, batang, dan daun adalah bagian

dari tanaman yang sering terserang penyakit.

Bagian tanaman yang dijadikan penelitian

adalah daun. Pemilihan daun disebabkan ciri

dan karakteristiknya merupakan keutamaan

untuk membedakan jenis satu dengan yang

lainnya. Berikut adalah dua penyakit yang

menyerang tanaman hias yang dibahas dalam

penelitian ini:

1 Bercak Daun

Bercak Daun disebabkan oleh jamur

Botrytis Sp. Cirinya adalah munculnya bercak

di daun. Bercak tersebut langsung

menyambung dengan warna asli daun yang

sehat. Bercak tersebut lama kelamaan akan

membusuk (Gambar 2).

Gambar 2 Bercak Daun pada Anthurium.

2 Bercak Kuning

Bercak Kuning sering menyerang tanaman

dan telah menjadi momok yang menakutkan

bagi pekebun dan hobiis. Cirinya adalah mula-

mula muncul noktah kecil berwarna kuning

pada daun yang semakin lama semakin lebar,

hingga seluruh permukaan daun Anthurium

tertutup warna kuning (Gambar 3).

Gambar 3 Bercak Kuning pada Anthurium.

Padi

Padi merupakan tanaman pangan berupa

rumput berumpun. Tanaman pertanian kuno

berasal dari dua benua yaitu Asia dan Afrika

Barat tropis dan subtropis. Berdasarkan

literatur Grist (1960) tanaman padi dalam

sistematika tumbuhan (taksonomi)

diklasifikasikan sebagai berikut:

Kingdom : Plantae

Divisi : Spermatophyta

Sub divisi : Angiospermae

Kelas : Monotyledonae

Keluarga : Gramineae (Poaceae)

Genus : Oryza

Spesies : Oryza spp

(BPP Teknologi 2011).

Penyakit yang menyerang tanaman padi

biasanya disebabkan oleh hama dan bakteri.

Sama seperti tanaman hias Anthurium bagian

tanaman seperti akar, batang, dan daun adalah

bagian yang sering terserang penyakit. Pada

penelitian ini penyakit yang diteliti adalah

penyakit yang menyerang daun. Berikut

adalah dua penyakit yang menyerang tanaman

padi yang dibahas dalam penelitian ini:

1 Tungro

Penyakit Tungro ditularkan oleh wereng

hijau dan dapat dikendalikan melalui

pergiliran varietas tahan yang memiliki tetua

berbeda, pengaturan waktu tanam, sanitasi

dengan menghilangkan sumber tanaman sakit,

dan penekanan populasi wereng hijau dengan

insektisida (Syam et al. 2007). Cirinya adalah

warna daun tanaman yang sakit bervariasi,

dari sedikit menguning sampai jingga

(Gambar 4).

http://www.kebonkembang.com/

3

Gambar 4 Tungro pada Padi.

2 Blas (Leaf Blast)

Penyakit ini disebabkan oleh jamur

patogen Pyricularia grisae. Penyakit Blas

menimbulkan dua gejala khas, yaitu blas

daun dan blas leher. Blas daun merupakan

bercak coklat kehitaman, berbentuk belah

ketupat, dengan pusat bercak berwarna putih

(Gambar 5). Sedangkan blas leher berupa

bercak coklat kehitaman pada pangkal leher

yang dapat mengakibatkan leher malai tidak

mampu menopang malai dan patah (Syam et

al. 2007).

Gambar 5 Blas pada Padi.

Penyakit ini dikendalikan melalui

penanaman varietas lahan secara bergantian

untuk mengantisipasi perubahan ras blas

yang sangat cepat dan dengan cara

pemupukan NPK yang tepat.

3 Bercak Coklat (Brown Spot)

Penyakit Bercak Coklat disebabkan oleh

jamur Helmintosporium oryzae (Syam et al.

2007). Gejala yang paling umum dari

penyakit ini adalah bercak bewarna coklat,

berbentuk oval sampai bulat, berukuran

sebesar biji wijen pada permukaan daun,

pada pelepah atau pada gabah (Gambar 6).

Gambar 6 Bercak coklat pada Padi.

4 Hawar Daun Bakteri (Bacterial Leaf

Blight)

Hawar daun bakteri (HDB) disebabkan

oleh Xanthomonas oryzae pv. Oryzae.

Penyakit HDB menghasilkan dua gejala

khas, yaitu kresek dan hawar. Kresek adalah

gejala yang terjadi pada tanaman berumur

<30 hari (pesemaian atau yang baru

dipindah). Daun-daun berwarna hijau kelabu,

melipat, dan menggulung (Gambar 7). Hawar

merupakan gejala yang paling umum

dijumpai pada pertanaman yang telah

mencapai fase tumbuh anakan sampai fase

pemasakan (Syam et al. 2007).

Gambar 7 Hawar daun pada Padi.

Algoritme Zooming

Algoritme Zooming adalah metode yang

ditujukan untuk menambah atau mengurangi

jumlah piksel pada sebuah citra digital. Piksel

baru dibuat dengan cara mengambil informasi

dari piksel tetangganya yang terdekat dari

citra original.

Setiap tanaman memiliki ukuran luas spot

yang berbeda, hal ini dapat menyebabkan efek

signifikan dalam proses penglasifikasian

penyakit. Dengan demikian, metode

interpolasi perlu diterapkan untuk fractional

zooming untuk menormalkan ukuran spot

(Phadikar dan Jaya Sil 2009).

Algoritme zooming sebagai berikut:

1 Langkah pertama adalah menentukan

faktor skala dan

dengan adalah ukuran dari citra

baru dan adalah ukuran dari citra

asli.

2 Untuk langkah kedua:

a Semua titik piksel dari citra asli yang

terletak diposisi ( ditempatkan di

posisi sesuai dengan persamaan

berikut:

(1)

dengan dan adalah faktor skala

yang telah ditentukan di langkah

sebelumnya. Hasil posisi baru

seperti yang ditunjukkan pada area

berwarna kuning dengan nilai gray

dan (Gambar 8).

b Pilih baris pertama dan tentukan

kolom yang akan dihitung titik

pikselnya. Titik itu merupakan titik

tengah. Misalkan titik itu adalah titik

(Gambar 8) yang berada di antara

titik dan . Kemudian kita hitung

dengan menggunakan persamaan:

4

dengan 1 dan adalah jarak antara

titik ke dan titik ke .

c Untuk menentukan nilai dari titik

yang belum dihitung sebelumnya

misalkan titik (Gambar 8), dihitung

berdasarkan nilai rata-rata empat

tetangganya. Sebagai catatan, hanya

titik-titik yang nilainya telah dihitung

di langkah sebelumnya yang dapat

digunakan untuk mendapatkan nilai

dari titik .

Gambar 8 Ilustrasi Algoritme Zooming.

Fast Fourier Transform

Metode yang digunakan dalam

pemrosesan citra digital dapat dibagi menjadi

dua kelompok, yaitu metode spatial dan

metode frequency. Pada metode spatial,

pemrosesan dilakukan dengan cara

memanipulasi nilai piksel dari citra tersebut

secara langsung, sedangkan metode

frequency, informasi citra digital

ditransformasikan lebih dulu dengan fast

fourier transform (FFT), kemudian dilakukan

manipulasi pada hasil transformasi tersebut

(Nugroho 2005).

FFT dari , didefinisikan sebagai

berikut:

dengan

(3)

jika diketahui maka dapat

diperoleh dengan Inverse FFT berikut:

Persamaan 3 dan 4 di atas disebut dengan

pasangan FFT. Jika adalah bilangan real,

biasanya merupakan bilangan kompleks

yang bisa diuraikan menjadi:

dengan dan adalah komponen real

dan imajiner dari .

Persamaan di atas juga sering dituliskan

sebagai:

dengan adalah magnitude dari , yang diperoleh dari :

Fungsi magnitude disebut juga

spektrum fourier dari , dan disebut

dengan sudut fase dari .

Jika dijadikan diskrit maka

persamaan FFT diskrit adalah:

dan

Untuk menganalisis citra pada frequency

domain, hasil transformasi dapat ditampilkan

sebagai citra, dimana intensitasnya

proporsional dengan besarnya atau

spektrum fourier. Namun karena dynamic

range dari spektrum fourier biasanya sangat

besar, maka sebelum ditampilkan sebagai citra

harus diubah menjadi:

(11)

dengan adalah konstanta. Selanjutnya yang

ditampilkan sebagai citra adalah nilai dari

.

Spektrum fourier yang telah memiliki

dynamic range yang lebih kecil kemudian

dihitung berdasarkan nilai parameter statistik

untuk mendapatkan ekstraksi ciri tekstur. Metode pengambilan ciri yang didasarkan

pada karakteristik histogram spektrum fourier.

Dari nilai-nilai pada histogram yang

dihasilkan, dapat dihitung beberapa parameter

ciri yaitu mean, varians, beda nilai aras

maksimum dan minimum (selanjutnya disebut

bedaan1), beda nilai aras maksimum dengan

nilai mean (selanjutnya disebut bedaan2),

standar deviasi, skewness, kurtosis, entropi,

dan nilai piksel tertinggi.

a Mean (μ)

Menunjukkan ukuran dispersi dari suatu

citra (Nisa 2006). Untuk menghitung mean

digunakan persamaan berikut:

5

dengan fn

merupakan suatu nilai intensitas

keabuan, sementara p(fn) menunjukkan nilai

probabilitas kemunculan intensitas tersebut

pada citra.

b Variance (σ2

)

Untuk menghitung variance digunakan

persamaan berikut:

dengan fn


keabuan, merupakan nilai mean, sementara

p(fn) menunjukkan probabilitas kemunculan

intensitas tersebut pada citra.

c Standar Deviasi

Menunjukkan tebing-tebing tajam (strong

edges) pada citra (Nisa 2006). Untuk

menghitung Standar Deviasi digunakan

persamaan berikut:

dengan fn





d Skewness (α3)

Menunjukkan tingkat kemencengan relatif

kurva histogram dari suatu citra (Nisa 2006).

Untuk menghitung skewness digunakan

persamaan berikut:

dengan fn





e Kurtosis (α4)

Menunjukkan tingkat keruncingan relatif

kurva histogram dari suatu citra (Nisa 2006).

Untuk menghitung kurtosis digunakan

persamaan berikut:

dengan fn





f Entropy (H)

Menunjukkan ukuran ketidakaturan bentuk

dari suatu citra (Nisa 2006). Untuk

menghitung entropy digunakan persamaan

berikut:

dengan p(fn) menunjukkan probabilitas

kemunculan intensitas tersebut pada citra.

g Bedaan1

Untuk menghitung Bedaan1 digunakan

persamaan berikut:



h Bedaan2

Untuk menghitung Bedaan2 digunakan

persamaan berikut:

dengan menunjukkan nilai mean, sementara



i Nilai piksel tertinggi

Untuk menghitung Nilai piksel tertinggi

digunakan persamaan berikut (Nisa 2006):



Local Binary Patterns

Local Binary Pattern (LBP) merupakan

metode yang digunakan untuk

mendeskripsikan pola-pola tekstur lokal pada

citra dengan mode warna grayscale (Kulsum

2010). LBP menggunakan delapan

ketetanggaan yang tersebar secara melingkar

(circular neighborhoods) dengan pusat piksel

berada di tengah seperti ditunjukkan pada

Gambar 9. Notasi merupakan nilai gray

level piksel ketetanggaan. Rataan seluruh

piksel (piksel ketetanggaan dan piksel pusat)

digunakan sebagai nilai ambang batas

6

(threshold) untuk memotong setiap nilai

piksel ketetanggaan.

Gambar 9 Circular neighborhood delapan

sampling points.

Kode LBP dihasilkan dengan mengalikan

nilai piksel yang telah melalui tahap

pemotongan dengan pembobotan biner sesuai

posisi piksel ketetanggaan tersebut berada.

Pola-pola biner LBP merepesentasikan

bermacam-macam pola tepi, titik, flat areas,

dan sebagainya.

LBP dapat diformulasikan sebagai berikut:

μ

(22)

dengan dan adalah koordinat pusat

piksel ketetanggaan, adalah circular

sampling points, adalah banyaknya

sampling points, adalah nilai keabuan dari

, adalah nilai rata-rata piksel ketetanggaan

dan piksel pusat, dan adalah sign (kode

biner).

Selanjutnya kode-kode LBP

direpresentasikan melalui histogram. Ukuran

citra adalah . Setelah mendapatkan nilai

LBP pada setiap neighborhood (blok ),

keseluruhan tekstur citra direpresentasikan

dengan membentuk histogram:

(24)

dengan K merupakan nilai LBP terbesar.

Operator LBP mengalami perkembangan

dengan dimodelkannya operator

menggunakan berbagai ukuran sampling

points dan radius. Gambar 10

memperlihatkan contoh circular

neighborhood tiga operator yaitu (8,1), (8,2),

dan (16,2).

(8,1) (16,2) (8,2)

Gambar 10 Beberapa ukuran circular

neighborhood.

LBP terdiri atas tiga descriptor, yaitu

, VAR, dan LBPV. Pada penelitian ini

descriptor yang digunakan adalah .

Rotation Invariant Uniform Patterns

)

merupakan penggabungan antara

uniform patterns dengan rotation invariant.

Notasi menunjukkan rotation invariant dan

untuk uniform patterns pada sampling

points P dan radius R.

1 Rotation Invariant

Rotation invariant adalah suatu cara yang

dibuat agar pola-pola LBP tidak sensitif

terhadap perubahan rotasi.

Contoh: LBP dapat

direpresentasikan dengan circular

neighborhood pada Gambar 11.

Gambar 11 Rotation Invariant LBP.

Rotation invariant didefinisikan sebagai nilai

minimum dari rotasi ( ) -bit biner yang

dilakukan sebanyak kali:

(25)

dengan menunjukkan rotation invariant.

2 Uniform Patterns

Setiap pola-pola LBP mewakili informasi

yang penting dari suatu tekstur, ini dinamakan

“uniform patterns”. LBP dikatakan uniform

jika struktur melingkar pola-pola binernya

paling banyak terdiri atas dua transisi bit dari

0 ke 1 atau sebaliknya. Sebagai contoh

00000000 (0 transisi), 01110000 (2 transisi),

dan 11001111 (2 transisi) merupakan uniform

patterns, sedangkan ( transisi)

dan ( transisi) bukan merupakan

uniform patterns. Uniform patterns berfungsi

untuk mengidentifikasi noda (spot), flat area

atau dark spot, sudut, dan tepi. Hampir

7

persen dari tekstur merupakan uniform

patterns (Ojala et al. 2002).

Gambar 12 Tekstur uniform patterns.

Gambar 12 menunjukkan arti dari pola-pola

uniform. Untuk mengidentifikasi uniform

patterns digunakan formulasi sebagai berikut:

(26)

dengan merupakan uniform

patterns dari P banyaknya sampling points

dan radius R, adalah circular sampling

points, adalah nilai keabuan dari , dan

adalah nilai keabuan rata-rata seluruh

piksel neighborhood.

Jumlah pola yang dihasilkan uniform

patterns adalah bins. Ketika

uniform patterns dirotasi sampai ke nilai

minimum yang dimilikinya, jumlah pola

yang dihasilkan menjadi bins. Rotation

invariant uniform patterns diformulasikan

sebagai berikut:

(27)

Jika pola yang diidentifikasi termasuk

uniform patterns, akan dihitung banyaknya bit

satu pada pola tersebut yang menentukan letak

bin uniform patterns berada. Jika bukan

uniform patterns akan masuk ke dalam bin

terakhir, yaitu bin ke-sembilan yang

merupakan single bin non uniform patterns

(Mäenpää 2003).

Probabilistic Neural Network

PNN merupakan Artificial Neural Network

(ANN) yang menggunakan teorema

probabilitas klasik (penglasifikasian Bayes).

PNN diperkenalkan oleh Donald Specht pada

tahun 1990. PNN menggunakan pelatihan

(training) supervised. Training data PNN

mudah dan cepat. Bobot bukan merupakan

hasil training melainkan nilai yang

dimasukkan (tersedia) (Wu et al. 2007).

f1

f2

f3

fk

x

1

t

1

t

1

t

Sum

n

Sum

2

Sum

1

Kelas

Keputusan

Lapisan

Masukan

Lapisan

Pola

Lapisan

Penjumlahan

Lapisan

Keputusan

Kelas n

Kelas 2

Kelas 1

Gambar 13 Struktur Probabilistic Neural

Network.

Struktur PNN seperti ditunjukkan pada

Gambar 13 yang terdiri atas empat lapisan

yaitu lapisan masukan, lapisan pola, lapisan

penjumlahan, dan lapisan keputusan/keluaran.

Lapisan masukan merupakan terdiri atas

nilai ciri yang akan diklasifikasikan pada

kelas. Proses-proses yang terjadi setelah

lapisan masukan adalah:

1 Lapisan pola (pattern layer), digunakan

satu node pola untuk setiap data pelatihan

yang digunakan. Setiap node pola,

merupakan perkalian titik (dot product)

dari vector masukan dengan vector

bobot . Bobot

merupakan nilai data latih ke-i pada

kelas ke-j. Nilai kemudian dibagi

dengan bias tertentu σ dan selanjutnya

dimasukkan ke dalam fungsi radial basis,

yaitu radbas(n)=exp(- ). Dengan

demikian persamaan yang digunakan pada

lapisan pola seperti pada persamaan (28).

(28)

2 Lapisan penjumlahan (summation layer),

menerima masukan dari node lapisan pola

yang terkait dengan kelas yang ada.

Persamaan yang digunakan pada lapisan

ini adalah:

(29)

8

dengan merupakan dimensi vektor ciri,

σ merupakan bias dan merupakan jumlah

data latih pada kelas tertentu.

3 Lapisan keluaran (output layer),

menghasilkan keputusan input masuk ke

dalam suatu kelas. Input akan masuk

kelas jika nilai paling besar

dibandingkan kelas yang lainnya.

METODOLOGI PENELITIAN

Penelitian ini dilakukan dalam beberapa

tahapan proses, yaitu pengumpulan data,

praproses yang meliputi cropping citra yang

terfokus pada penyakit dan dilanjutkan dengan

proses zooming, kemudian citra hasil

praproses dilakukan tiga kali percobaan

pertama citra diesktraksi dengan

menggunakan FFT, kedua citra diekstraksi

dengan , dan yang terakhir citra

diekstraksi dengan menggunakan

penggabungan fitur FFT dengan .

Selanjutnya masing-masing citra hasil

ekstraksi di klasifikasi dengan menggunakan

PNN. Tahap-tahap tersebut dapat dilihat pada

metodologi penelitian ini pada Gambar 14.

Citra Daun

Praproses

PNN

Model

Klasifikasi

Hasil

Klasifikasi

Citra Kueri

Ekstraksi dgn

LBP

Histogram

LBP

PNN

Model

Klasifikasi

Hasil

Klasifikasi

Evaluasi Hasil Identifikasi

Praproses

Ekstraksi dgn

Fourier

Ekstraksi dgn

FFT dan LBP

Histogram

FFT dan

LBP

PNN

Model

Klasifikasi

Hasil

Klasifikasi

Gambar 14 Metodologi Penelitian.

Data Citra Daun

Citra daun tanaman Padi dan Anthurium

yang digunakan pada penelitian ini diperoleh

dari pemotretan langsung di Persawahan Desa

Laladon dan Balai Penelitian Tanaman Hias

Segunung Cipanas, Bogor, Jawa Barat.

Masing-masing jenis tanaman terdiri atas

seratus citra, sehingga terdapat enam ratus

total citra tanaman berpenyakit yang terdiri

dari enam kelas penyakit, terdiri dari dua

kelas penyakit tanaman Anthurium yaitu

Bercak Daun dan Bercak Kuning sedangkan

untuk penyakit tanaman Padi ada empat kelas

yaitu Leaf Blast, Brown Spot, Hawar Daun,

dan Tungro. Enam jenis penyakit yang

digunakan disajikan pada Lampiran 1.

Ekstraksi Fitur dengan Fast Fourier

Transform

Pada metode ini informasi citra digital

ditransformasikan lebih dahulu dengan Fast

Fourier Transform (FFT). Jika input citra

adalah citra berwarna (nilai R, G, dan B

berbeda), maka terlebih dahulu dilakukan

proses transformasi ke citra grayscale,

kemudian dilakukan manipulasi pada hasil

transformasi tersebut. FFT mengubah menjadi sejumlah eksponensial kompleks.

Analisis dari metode FFT adalah sebagai

berikut, proses input data acuan citra dimulai

dengan mengubah citra masukan dari citra asli

menjadi histogram dan bentuk spektrum. Citra

spektrum diproses melalui beberapa tahap

yaitu menghitung log spektrum digunakan

untuk menyesuaikan besarnya frekuensi

spektrum, kemudian melakukan pergeseran

(shifting) digunakan untuk melakukan

pergeseran dari hasil transformasi fourier ke

titik pusat spektrum. Dari nilai-nilai pada

histogram yang dihasilkan, dapat dihitung

beberapa parameter ciri yaitu mean, varians,

bedaan1, bedaan2, standar deviasi, skewness,

kurtosis, Entropi, dan nilai piksel tertinggi.

Perhitungan statistik digunakan untuk

menyederhanakan bentuk sebaran frekuensi

menjadi suatu nilai atau ukuran.

Ekstraksi Fitur Tekstur

Ekstraksi fitur pada penelitian ini

menggunakan descriptor Sebelum

masuk tahapan ekstraksi, dilakukan cropping

untuk mendapatkan objek tanaman

berpenyakit. Citra hasil cropping dilakukan

proses zooming dengan tujuan untuk

memperjelas tekstur citra yang terserang

penyakit. Kemudian citra diubah ke dalam

mode warna grayscale. Selanjutnya citra

dibagi ke dalam beberapa blok (local region)

sesuai dengan operator circular neighborhood

(sampling points dan radius) yang digunakan.

Penelitian ini menggunakan empat operator

yang disajikan pada Tabel 1.

pendahuluan latar belakang - repository.ipb.ac.id · dan telah menjadi momok yang menakutkan bagi...

Documents