Identifikasi Penyakit Daun Tanaman Kelapa Sawit Menggunakan Support Vector Machine
IDENTIFIKASI PENYAKIT DAUN TANAMAN KELAPA SAWIT
MENGGUNAKAN SUPPORT VECTOR MACHINE
SKRIPSI
RIDZUAN IKRAM FAJRI 091402134
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2014
(2)
IDENTIFIKASI PENYAKIT DAUN TANAMAN KELAPA SAWIT
MENGGUNAKAN
SUPPORT VECTOR MACHINE
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
RIDZUAN IKRAM FAJRI 091402134
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2014
(3)
PERSETUJUAN
Judul : IDENTIFIKASI PENYAKIT DAUN TANAMAN
KELAPA SAWIT MENGGUNAKAN SUPPORT VECTOR MACHINE
Kategori : SKRIPSI
Nama : RIDZUAN IKRAM FAJRI
Nomor Induk Mahasiswa : 091402134
Program Studi : SARJANA (S-1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI Diluluskan di
Medan, Agustus 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT NIP. -
Romi Fadillah Rahmat, B.Comp.Sc., M.Sc NIP. 19860303 201012 1004
Diketahui/Disetujui oleh
Program Studi Teknologi Informasi Ketua,
Muhammad Anggia Muchtar S.T.MM.IT NIP 19800110 200801 1 010
(4)
iii PERNYATAAN
IDENTIFIKASI PENYAKIT DAUN TANAMAN KELAPA SAWIT MENGGUNAKAN SUPPORT VECTOR MACHINE
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Agustus 2014
RIDZUAN IKRAM FAJRI 091402134
(5)
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karuniaNya lah penulis bisa menyelesaikan penyusunan tugas akhir ini.
Proses penyusunan skripsi ini tidak lepas dari dukungan dan bantuan dari pihak lain. Oleh karena itu penulis mengucapkan terima kasih banyak kepada :
1. Keluarga penulis, terutama kedua orang tua penulis. Ayahanda tersayang Alm. H.Dr.Tedi Moraza, Sp.OG dan Ibunda tersayang dr.Okti Rosdianawani yang selalu sabar dalam mendidik dan membesarkan penulis. Kakak penulis dr.Sheila Regina Tiza dan Adik penulis Zhafira Inayah Fitri. Kakek penulis H.Rustam dan Nenek penulis Hj.Syarifah Rodiah serta seluruh sanak saudara penulis yang tidak dapat disebutkan satu persatu.
2. Farah Ramadhani yang selalu memberi dukungan serta menemani dalam suka dan duka dalam menjalankan skripsi ini.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc dan Ibu Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
4. Bapak Muhammad Fadly Syahputra B.Sc.M.Sc.IT dan Ibu Sarah Purnamawati S.T.M.Sc selaku penguji yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
5. Ketua dan Sekretaris Program Studi Teknologi Informasi, Muhammad Anggia Muchtar S.T.MM.IT dan Muhammad Fadly Syahputra B.Sc.M.Sc.IT
6. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi.
7. Seluruh sahabat terbaik penulis yang selalu memberikan dukungan, Ammar Adianshar, S.TI, Ade Tambunan, Abdi Hafiz,SP Reza Elfandra Srg, S.TI, Muhammad Ardiansyah, S.TI, Fadli Rizky, Muhammad Fadlullah, Muhmmad Hafiz Yahya, SE, Yogi Suryo Santoso, Dwiky Syahputra, Ibnu Setiawan, Handra Akira Saito, Nurul Khadijah, S.TI, Arif Ashari, SP seluruh member grup SEM***, serta seluruh angkatan 09, serta teman-teman seluruh angkatan mahasiswa USU dan teman-teman lainnya yang tidak dapat penulis sebutkan satu persatu, Semoga Allah SWT membalas kebaikan kalian dengan nikmat yang berlimpah.
Akhir kata, penulis memohon maaf bila dalam penulisan tugas akhir ini terdapat beberapa kesalahan, oleh karena itu penulis sangat mengharapkan adanya masukan - masukan yang membangun dan semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.
(6)
v
ABSTRAK
Pengelolaan perkebunan kelapa sawit sering mengalami kendala, antara lain masalah organisme pengganggu tumbuhan (OPT) terutama masalah penyakit. Oleh karena itu, dibuatlah pendekatan untuk mengenali penyakit pada daun kelapa sawit agar dapat membantu kinerja dari para petani kelapa sawit dalam menentukan jenis penyakit pada daun sehingga mendapatkan hasil yang lebih maksimal. Deteksi tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Sobel operator digunakan untuk pengidentifikasikan pola wajah, khususnya terdapat di dalam algoritma deteksi tepi. Support Vector Machine (SVM) digunakan sebagai metode klasifikasi. Oleh karena itu, dalam penelitian ini penulis akan menerapkan metode deteksi tepi dengan menggabungkan teknik algoritma Sobel
Operator untuk menghilangkan derau dan metode Support Vector Machine sebagai
pengklasifikasian data penyakit pada daun kelapa sawit.
(7)
IDENTIFICATION OF PALM LEAF PLANTS DISEASE USING SUPPORT VECTOR MACHINE
ABSTRACT
Management of oil palm plantations often have constraints, among other issues for plant pests is primarily a disease problem. Therefore, the approach was made to recognize the disease in palm leaves in order to help the performance of the oil palm growers in determining the type of disease on the leaves that get maximum results. Edge detection is the change in the value of the degree of gray that sudden intensity (large) within a short distance. Sobel operator is used to identification facial patterns, especially present in the edge detection algorithm. Support Vector Machine (SVM) is used as a method of classification. Therefore, in this study the authors will apply the edge detection method by combining techniques Sobel operator algorithm to eliminate noise and methods of Support Vector Machine as a classification of disease data on palm leaves.
(8)
vii DAFTAR ISI
HAL
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL ix
DAFTAR GAMBAR x
BAB 1 PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
BAB 2 LANDASAN TEORI 7
2.1 Image Processing 7
2.2 Edge Detection 9
2.3 Sobel Operator 10
2.4 Jenis-Jenis Penyakit pada Daun Tanaman Kelapa Sawit 12
2.4.1 Ulat Api 12
2.4.2 Ulat Kantong 13
2.5 Support Vector Machine 13
2.6 Penelitian Terdahulu 18
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 20
3.1 Analisis Aplikasi 20
3.2 Preprocessing Citra Penyakit Daun Tanaman Kelapa Sawit 21
3.2.1 Image Enhancement 21
3.2.1.1 Teknik Resizing 21
3.2.1.2 Teknik Grayscale 23
3.2.1.3 Binarisasi 24
3.2.1.4 Thinning 24
3.2.2 Image Segmentation 26
3.2.2.1 Sobel Operator 26
3.2.3 Feature Extraction 27
3.2.3.1 Zoning 27
3.2.4 Klasifikasi dan Identifikasi 28
3.2.4.1 Data 28
3.2.4.2 Data Masukan 28
3.2.4.3 Data Proses 29
3.2.4.4 Data Keluaran 29
(9)
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 34
4.1 Kebutuhan Aplikasi 34
4.2 Perangkat Keras 34
4.3 Perangkat Lunak 34
4.4 Implementasi Perancangan Antarmuka 35
4.5 Pengujian Aplikasi 37
4.5.1 Rencana Pengujian Aplikasi 38
4.5.2 Pelatihan Data 39
4.5.3 Pengujian Data 41
BAB 5 KESIMPULAN DAN SARAN 43
4.1 Kebutuhan Aplikasi 43
4.2 Perangkat Keras 43
(10)
ix DAFTAR TABEL
Tabel 2.1 Penelitian Terdahulu 18
Tabel 4.1 Rencana Pengujian Aplikasi 38
Tabel 4.2 Hasil Pengujian Halaman Utama 38
Tabel 4.3 Parameter Pelatihan Identifikasi Jenis Hama 39 Tabel 4.4 Persentase Tingkat Kecocokan Data Latih Citra Daun 39 Tabel 4.5 Persentase Tingkat Kecocokan Hasil Identifikasi Citra Daun 41
(11)
DAFTAR GAMBAR
Hal. Gambar 2.1 Citra Lena dan Citra Kapal (Rinaldi 2005) 8 Gambar 2.2 (a) Citra Burung Nuri Gelap (b) Citra Burung yang Kontrasnya Telah
Ditambah Sehingga Gambar Lebih Jelas (Rinaldi 2005) 9
Gambar 2.3 Model Tepi Satu Mata 9 Gambar 2.4 Perkalian Matriks 2x2 dengan Matriks 3x3 Menghasilkan Matriks Baru
yang Berjumlah 3x3 11
Gambar 2.5 Matriks Sobel Operator 11
Gambar 2.6 Dampak Ulat Api pada Daun 12
Gambar 2.7 Dampak Ulat Kantong pada Daun 13
Gambar 2.8 SVM Berusaha Menemukan Hyperplane Terbaik yang Memisahkan
Antara Class -1 dan +1 14
Gambar 3.1 Gambar Arsitektur Umum Aplikasi Identifikasi Penyakit Daun Kelapa
Sawit 20
Gambar 3.2 (a) Citra Original Efek Ulat Api (b) Citra Original Efek Ulat Kantong 21 Gambar 3.3 (a) Citra Original Daun Kelapa Sawit (b) Citra Proses Resizing 22 Gambar 3.4 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit
Grayscale 23
Gambar 3.5 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit
Binarisasi 24
Gambar 3.6 Ilustrasi Piksel P1dengan 8 Tetangga 25
Gambar 3.7 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit
Thinning 26
Gambar 3.8 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit Sobel
Operator 27
Gambar 3.9 Flowchart Metode Support Vector Machine 30
Gambar 3.10 Struktur Menu Aplikasi 32
Gambar 3.11 Rancangan Halaman Aplikasi 33
Gambar 4.1 Tampilan Halaman Awal Aplikasi 35
Gambar 4.2 Tampilan Halaman Input Citra 36
Gambar 4.3 Tampilan Halaman Identifikasi Citra 36
Gambar 4.4 Tampilan Halaman Hasil Identifikasi 37
Gambar 4.5 Grafik Pengujian Data Daun Kelapa Sawit 40
(12)
v
ABSTRAK
Pengelolaan perkebunan kelapa sawit sering mengalami kendala, antara lain masalah organisme pengganggu tumbuhan (OPT) terutama masalah penyakit. Oleh karena itu, dibuatlah pendekatan untuk mengenali penyakit pada daun kelapa sawit agar dapat membantu kinerja dari para petani kelapa sawit dalam menentukan jenis penyakit pada daun sehingga mendapatkan hasil yang lebih maksimal. Deteksi tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Sobel operator digunakan untuk pengidentifikasikan pola wajah, khususnya terdapat di dalam algoritma deteksi tepi. Support Vector Machine (SVM) digunakan sebagai metode klasifikasi. Oleh karena itu, dalam penelitian ini penulis akan menerapkan metode deteksi tepi dengan menggabungkan teknik algoritma Sobel
Operator untuk menghilangkan derau dan metode Support Vector Machine sebagai
pengklasifikasian data penyakit pada daun kelapa sawit.
(13)
IDENTIFICATION OF PALM LEAF PLANTS DISEASE USING SUPPORT VECTOR MACHINE
ABSTRACT
Management of oil palm plantations often have constraints, among other issues for plant pests is primarily a disease problem. Therefore, the approach was made to recognize the disease in palm leaves in order to help the performance of the oil palm growers in determining the type of disease on the leaves that get maximum results. Edge detection is the change in the value of the degree of gray that sudden intensity (large) within a short distance. Sobel operator is used to identification facial patterns, especially present in the edge detection algorithm. Support Vector Machine (SVM) is used as a method of classification. Therefore, in this study the authors will apply the edge detection method by combining techniques Sobel operator algorithm to eliminate noise and methods of Support Vector Machine as a classification of disease data on palm leaves.
(14)
BAB I
PENDAHULUAN
1.1Latar Belakang
Sejak awal pelaksanaan pembangunan perkebunan, kelapa sawit menjadi prioritas di Negara Indonesia terutama pada perusahaan milik negara seperti PT. Perkebunan Nusantara, karena tanaman kelapa sawit merupakan salah satu kekayaan alam yang berperan besar dalam pertumbuhan devisa negara sehingga diperlukan perawatan yang maksimal untuk mendapatkan hasil buah yang baik. Pengelolaan perkebunan kelapa sawit sering mengalami kendala, antara lain masalah organisme pengganggu tumbuhan (OPT) terutama masalah penyakit. Hampir seluruh bagian tanaman kelapa sawit menjadi sasaran infeksi dari sejumlah penyakit tanaman (Lie, et al. 2011). Diperkirakan kerugian dalam setahun mencapai 10-15% dari hasil tanaman pada perusahaan dan juga keterbatasan dalam pengenalan penyakit pada daun kelapa sawit dan penggunaan waktu yang cukup lama.
Untuk lebih membantu dalam mengenali berbagai macam penyakit tersebut, dibuatlah pendekatan untuk mengenali penyakit pada daun kelapa sawit agar dapat membantu kinerja dari para petani kelapa sawit dalam menentukan jenis penyakit pada daun sehingga mendapatkan hasil yang lebih maksimal. Dalam memperoleh informasi tersebut di zaman yang semakin maju ini, khususnya dalam bidang komputer yang mencakup bagian pengenalan citra.
Deteksi tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Peneltian terdahulu tentang deteksi tepi seperti dilakukan untuk mengidentifikasi pola daun (Bowo, et al 2011 ) dan mengidentifikasi tepi wajah (Parikesit, 2012). Metode deteksi tepi wajah terbagi 3 yaitu : Sobel operator, Prewitt operator, Roberts operator. Dalam hal ini operator yang saya gunakan adalah Sobel Operator.
(15)
Sobel operator digunakan untuk pengidentifikasikan pola wajah, khususnya terdapat di dalam algoritma deteksi tepi. Secara teknik, sobel operator adalah sebuah
discrete differentiation operator, yaitu mengkalkulasi sebuah perkiraan pada gradien
dari sebuah fungsi intensitas gambar. Beberapa penelitian terdahulu tentang sobel operator telah dilakukan oleh K.Vairalkar, et al (2012) dan Folorunso, et al (2009). Kelebihan dari Operator sobel ini adalah dapat mengurangi noise sebelum melakukan perhitungan deteksi tepi dan menggunakan perkalian matriks 3x3 sehingga citra akan berubah menjadi lebih halus. Operator sobel ini juga memiliki kekurangan yaitu dalam perhitungan nya sedikit lebih sulit dibandingkan dengan operator yang lainnya.
Support Vector Machine (SVM) adalah sebuah metode yang memiliki kemampuan
untuk mengelompokkan teks karena bekerja dengan baik dalam data berdimensi tinggi dan dapat menghindari masalah dalam mengelompokkan data (Wulandini, et al. 2009) , Sedangkan menurut Wahyudi Setiawan SVM adalah Support Vector Machine
(SVM) digunakan sebagai metode klasifikasi. Hasil pengujian dilakukan dengan mengambil dataset MESSIDOR dengan sejumlah citra yang bervariasi untuk tahap pelatihan, sisanya digunakan untuktahap pengujian (Setiawan, 2012).
Beberapa penelitian terdahulu tentang Support Vector Machine yang dilakukan oleh Wulandini (2009) tentang klasifikasi teks untuk penyebaran penyakit tropik pada web mining dan dalam tesis Setiawan (2012) tentang sistem deteksi retinopatik pada diabetik. Selain itu penelitian tentang SVM dilakukan juga oleh K. Srivastava, et al (2010) tentang klasifikasi data.
Penelitian terdahulu tentang pengklasifikasian telah dilakukan oleh Liantoni, F (2011) tentang klasifikasi daun dengan centroid linked clustering berdasarkan fitur bentuk tepi daun dan juga penelitian oleh Ardiansjah, Y (2012) tentang pengenalan spesies tanaman berdasarkan bentuk daun menggunakan metode klasifikasi Move
Median Center (MMC) hypersphere.
Oleh karena itu, dalam penelitian ini penulis akan menerapkan metode Deteksi Tepi dengan menggabungkan teknik algoritma Sobel Operator untuk menghilangkan derau dan metode Support Vector Machine sebagai pengklasifikasian data penyakit pada daun kelapa sawit. Metode - metode ini akan diaplikasikan pada sistem deteksi pengenalan citra pada daun kelapa sawit untuk mendapatkan hasil yang lebih baik dalam pengenalan jenis penyakit pada daun kelapa sawit.
(16)
3 1.2 Rumusan Masalah
Dikarenakan keterbatasan pengenalan penyakit pada daun kelapa sawit dan penggunaan waktu yang cukup lama yang dilakukan oleh manusia untuk mengidentifikasi jenis penyakit pada daun kelapa sawit. Maka diperlukan pendekatan yang dapat membantu membedakan jenis-jenis penyakit yang ada pada daun kelapa sawit.
1.3 Batasan Masalah
Sehubungan dengan permasalahan yang akan diambil, maka ruang lingkup dari sistem ini meliputi :
1. Input data pengklasifikasian penyakit berupa citra daun original berformat .jpeg. 2. jenis penyakit meliputi efek hama ulat api dan efek hama ulat kantong
1.4Tujuan Penelitian
Adapun yang menjadi tujuan adalah mengidentifikasi jenis penyakit pada daun kelapa sawit dengan menggunakan Support Vector Machine.
1.5 Manfaat Penelitian
Adapun manfaat yang dapat diperoleh dari pembuatan aplikasi ini adalah :
1. Untuk memberikan kemudahan di lapangan untuk mengenali jenis penyakit pada daun kelapa sawit.
2. Sebagai referensi untuk pengembangan studi teknologi informasi dalam dunia pertanian.
3. Membantu petani awam dalam membedakan jenis penyakit efek hama ulat api dan ulat kantong pada daun kelapa sawit
(17)
1.6 Metodologi Penelitian
Ada beberapa tahapan dalam proses pengerjaan tugas akhir ini. Tahapan metodologi tersebut adalah sebagai berikut :
1. Studi Literatur
Pada tahap ini, penulis mengumpulkan literatur tentang masalah yang diperlukan untuk dalam penelitian. Tahapan ini dilakukan untuk mengetahui apa yang telah diteliti dan dikerjakan sebelumnya sehingga dapat dilakukan pengembangan pada penelitian ini.
2. Pengumpulan Data
Pada tahapan ini dilakukan untuk mengumpulkan data – data yang mendukung penyelesaian masalah. Data – data tersebut diantaranya mengenai :
1. Teori tentang Support Vector Machine.
2. Teori tentang penyakit daun kelapa sawit yang meliputi hama ulat api dan ulat kantong.
3. Data citra daun kelapa sawit yang terkena penyakit hama ulat kantong dan ulat api yang akan digunakan untuk proses pembelajaran dan pengujian pada sistem.
4. Teknik , image enhancement dan Segmentation menggunakan Sobel Operator
dan pengambilan keputusan menggunakan Support Vector Machine. 3. Analisis dan Perancangan Sistem
Pada tahapan ini dilakukan analisis terhadap materi dan data yang mendukung terhadap penyelesaian masalah sehingga dapat merancang sistem yang dapat diimplementasikan pada penelitian ini. Bagian dari perancangan sistem adalah sebagai berikut :
1. Preprocessing citra citra daun kelapa sawit
Preprocessing Citra dengan tujuan untuk memproses citra daun yang masih
(18)
5
2. Feature extraction
Pada proses ekstraksi fitur digunakan untuk mengekstrak nilai dari luas daun kelapa sawit yang terkena penyakit.
3. Implementasi Sistem
Pada tahapan implementasi sistem ini akan dilakukan pengkodean program dengan menggunakan NetBeans.
4. Pengujian Sistem
Pada tahapan pengujian sistem yang telah dibangun akan diuji untuk memastikan apakah sistem telah berjalan sesuai yang diharapkan.
5. Dokumentasi dan Penyusunan Laporan
Pada tahapan ini yaitu penyusunan laporan terhadap analisis dan implementasi Support Vector Machine untuk melakukan identifikasi penyakit daun tanaman kelapa sawit yang berformat .JPEG.
1.7 Sistematika Penulisan
Sistematika penulisan dari penelitian ini terdiri dari lima bagian utama sebagai berikut:
Bab 1 Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan tentang penerapan metode Support Vector
Machine untuk mengidentifikasi jenis penyakit daun kelapa sawit hama ulat api dan
(19)
Bab 3: Analisis dan Perancangan
Bab ini berisi analisis dan penerapan metode Support Vector Machine untuk mengidentifikasi jenis penyakit daun kelapa sawit hama ulat api dan ulat kantongpada citra, serta perancangan seperti pemodelan dengan flowchart dan use case.
Bab 4: Implementasi dan Pengujian
Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan yang disusun pada Bab 3 dan pengujian apakah hasil yang didapatkan sesuai dengan yang diharapkan.
Bab 5: Kesimpulan Dan Saran
Bab ini berisi kesimpulan dari keseluruhan uraian bab – bab sebelumnya dan saran – saran yang diajukan untuk pengembangan penelitian selanjutnya.
(20)
BAB II
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Support Vector Machine (SVM) untuk mengidentifikasi jenis penyakit hama ulat api dan ulat kantong pada daun tanaman kelapa sawit pada citra daun kelapa sawit.
2.1 Image Processing
Secara harfiah, citra (image) adalah gambar pada bidang dua dimensi. Sebagai contoh citra seorang model yang bernama Lena (gambar 2.1 a), dan gambar di sebelah kanannya adalah citra kapal di sebuah pelabuhan (gambar 2.1 b).Jika ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada sebuah bidang. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam dan dikenali secara baik.
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat : 1. optik berupa foto,
2. analog berupa sinyal video seperti gambar pada monitor televisi, 3. digital yang dapat langsung disimpan pada suatu pita magnetik. Contoh gambar citra original dapat dilihat pada gambar 2.1
(21)
(a) (b)
Gambar 2.1 Citra Lena dan Citra Kapal (Rinaldi 2005)
Meskipun sebuah citra kaya akan informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit dikenali karena informasi yang disampaikan oleh citra tersebut kurang jelas karena buruknya dari kualitas citra. Agar citra yang mengalami gangguan mudah dikenali (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image processing). Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Sebagai contoh, citra burung nuri pada Gambar 2.1 (a) tampak agak gelap, lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b).
Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila :
1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan informasi yang disampaikan citra.
2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur. 3. Sebagian citra perlu digabung dengan bagian citra yang lain.
(22)
9 Contoh citra yang sudah mengalami pemrosesan dapat dilihat pada gambar 2.2
(a) (b)
Gambar 2.2 Citra Burung Nuri Gelap, Citra Burung yang Kontrasnya Telah Ditambah Sehingga Gambar Lebih Jelas (Rinaldi 2005)
2.2 Edge Detection
Yang dimaksud dengan tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat (Gambar 2.2). Perbedaan intensitas inilah yang menampakkan rincian pada gambar sehingga informasi yang diberikan pada citra menjadi jelas. Tepi biasanya terdapat pada batas antara dua daerah berbeda pada suatu citra. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda-beda pada bergantung pada perubahan intensitas. Model tepi satu mata dapat dilihat pada gambar 2.3.
Gambar 2.3 Model Tepi Satu-Mata Jarak
Perubahan Intensitas Cahaya α
(23)
Perhatikan Gambar 2.3 ada tiga model tepi yang terdapat dalam citra digital. Ketiganya meliputi :
1. Tepi curam
Tepi dengan perubahan intensitas secara tajam. Arah tepi berkisar 90◦. 2. Tepi landai
Dapat disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggapsebagai tepi-tepi yang lokasinya berdekatan.
3. Tepi yang mengandung derau (noise)
Umumnya tepi yang terdapat pada aplikasi computer vision akan mengandung derau. Dengan mengubah kualitas intensitas citra (image enhancement) dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.
2.3 Sobel Operator
Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain : 1. Operator gradien pertama (differential gradient)
2. Operator turunan kedua (Laplacian) 3. Operator kompas (compass operator)
Sobel Operator merupakan operator gradien pertama. Detektor tepi Sobel
menggunakan sepasang 3 x 3 masker konvolusi , satu gradien memperkirakan dalam arah x dan yang lainnya memperkirakan gradien y - arah . Operator Sobel dapat juga didefinisikan operator diferensiasi diskrit yang menghitung perkiraan gradien intensitas citra fungsi (Ghoshal, et al 2012).
Contoh gambar perkalian matriks pada operator sobel dapat dilihat pada gambar 2.4.
(24)
11
Gambar 2.4 Perkalian Matriks 2x2 dengan Matriks 3x3 Menghasilkan Matriks yang Baru Berjumlah 3x3
Dari gambar 2.4 dapat dilihat bagaiman proses perkalian dari matriks 2x2 (B) sebagai mask atau template dengan matriks 4x4 (A) sebagai input citra sehingga didapatlah hasil matriks berjumlah 3x3 (C) sebagai matriks baru dari penyusutan pixel citra.
Operator sobel terdiri dari sepasang 3 × 3 kernel seperti pada Gambar 2.5.
-1 0 +1
-2 0 +2
-1 0 +1
Gx
Gambar 2.5 Matriks Sobel Operator
Kernel ini dirancang untuk merespon secara maksimal untuk tepi berjalan secara vertikal dan horizontal relatif terhadap grid pixel, satu kernel untuk masing-masing dua orientasi tegak lurus. Kernel dapat diterapkan secara terpisah pada citra yang ada, untuk menghasilkan pengukuran yang terpisah dari komponen gradien pada setiap orientasi (Gx dan menyebutnya Gy). Kemudian hasil dari perkalian matriks digabungkan bersama-sama untuk menemukan besarnya nilai dari gradien pada setiap titik dan orientasi dari gradien.
Besarnya gradien didefinisikan sebagai berikut :
+1 +2 +1
0 0 0
-1 -2 -1
(25)
(2.1)
Biasanya, besarnya perkiraan dihitung dengan menggunakan:
(2.2) Yang mana jauh lebih cepat untuk dihitung
Sudut orientasi tepi (relatif terhadap grid pixel) sehingga menimbulkan gradien spasial seperti:
(2.3)
2.4 Jenis-jenis Penyakit Pada Daun Tanaman Kelapa Sawit
2.4.1 Ulat Api
Merupakan jenis ulat pemakan daun kelapa sawit yang paling sering menimbulkan kerugian di perkebunan kelapa sawit. Jenis-jenis ulat api yang paling banyak ditemukan adalah Setothosea asigna, Setora nitens, Darna trima, Darna diducta dan
Darna bradleyi. Contoh citra daun yang terkena efek ulat api dapat dilihat pada
gambar 2.6
(26)
13 Dari gambar 2.6 dapat dilihat dampak dari ulat api, daun yang disernag hama ulat api akan berubah menjadi kering dan berwarna kecoklatan, seperti terbakar. Apabila dibiarkan maka efek jangka panjangnya daun akan habis terbakar dan tanaman akan mati.
2.4.2 Ulat Kantong
Ulat kantong termasuk dalam famili Psychidae. Jenis ulat kantong yang paling merugikan di perkebunan kelapa sawit adalah Metisa plana dan Mahasena corbetti.
Contoh citra daun yang terkena efek ulat kantong dapat dilihat pada gambar 2.7
Gambar 2.7 Citra Daun dari Efek Hama Ulat Kantong
Dari gambar 2.7 dapat dilihat efek dari daun yang diserang hama ulat kantong. Daun menjadi berlubang, apabila dibiarkan maka efek jangka panjang yang terjadi daun akan habis dimakan ulat dan hanya tersisa tangkainya saja dan dapat mengakibatkan produksi buah menjadi berkurang.
2.5 Support Vector Machine
SVM juga dikenal sebagai teknik pembelajaran mesin (machine learning) paling mutakhir setelah pembelajaran mesin sebelumnya yang dikenal sebagai Neural
Network (NN). Baik SVM maupun NN tersebut telah berhasil digunakan dalam
pengenalan pola. Pembelajaran dilakukan dengan menggunakan pasangan data input dan data output berupasasaran yang diinginkan. Pembelajaran dengan cara ini disebut dengan pembelajaran terarah (supervised learning). Dengan pembelajaran terarah
(27)
iniakan diperoleh fungsi yang menggambarkan bentuk ketergantungan input dan outputnya. Selanjutnya, diharapkan fungsi yang diperoleh mempunyai kemampuan generalisasi yang baik, dalam arti bahwa fungsi tersebut dapat digunakan untuk data input di luar data pembelajaran (Nugroho, A.S et,al 2003).
Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, Vapnik.
Pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on. Computational
Learning Theory. Berbeda dengan strategi jaringan syaraf tiruan yang berusaha
mencari hyperplane pemisah antar kelas, SVM berusaha menemukan hyperplane yang terbaik pada input space. Prinsip dasar SVM adalah pengklasifikasi linier, dan selanjutnya dikembangkan agar dapat bekerja pada permasalahan nonlinier. dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. Perkembangan ini memberikan rangsangan minat penelitian di bidang pengenalan pola untuk investigasi potensi kemampuan SVM secara teoritis maupun dari segi aplikasi. Dewasa ini SVM telah berhasil diaplikasikan dalam problem dunia nyata dan secara umum memberikan solusi yang lebih baik dibandingkan metode konvensional. Proses cara kerja SVM dapat dilihat pada gambar 2.8.
(a) (b)
Gambar 2.8 SVM Berusaha Menemukan Hyperplane Terbaik yang Memisahkan Antara Class -1 dan +1
Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane
terbaik yang berfungsi sebagai pemisah dua buah class pada input space. Gambar 2.7a memperlihatkan beberapa pattern yang merupakan anggota dari dua buah class : +1
Discrimination
Class - 1 Class + 1 Class - 1 Class + 1
(28)
15
dan –1. Pattern yang tergabung pada class –1 disimbolkan dengan bentuk kotak,
sedangkan pattern pada class +1, disimbolkan dengan bentuk lingkaran. Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah
(discrimination boundaries) ditunjukkan pada gambar 2.7 a.
Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur
margin dari hyperplane tsb. dan mencari titik maksimalnya. Margin adalah jarak
antara hyperplane tersebut dengan pattern terdekat dari masing-masing class. Pattern
yang paling dekat ini disebut sebagai support vector. Garis solid pada gambar 2.7 b menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah-tengah kedua class, sedangkan titik merah dan kuning yang berada dalam lingkaran hitam adalah support vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses pembelajaran pada SVM.
Berikut adalah bentuk algoritma SVM beserta variabel dan parameternya :
x = {x0, x1, x2, .., xm}: merupakan sampel training
y = {y1, .., ym} ⊂ {• }1}: merupakan label data training kernel = jenis fungsi kernel
par = parameter kernel C = konstanta cost
α = [α1, .., αm]: Lagrange multiplier dan bias b
Langkah-langkah proses dalam metode SVM ini dijalaskan sebagai berikut :
1. Hitung matriks kernel H.
2. Tentukan pembatas untuk programa kuadratik, termasuk Aeq, beq,A
dan b.
3. Tentukan fungsi tujuan programa kuadratik 1 2xHx + f_x.
(29)
Support vector machine juga memiliki ringkasan matriks, data-data dari matriks inilah yang akan dikumpulkan untuk dijadikan informasi dalam menentukan nilai error pada citra yang akan diproses. Ringkasan matriks pada SVM adalah sebagai berikut :
Subject to
(2.4)
i = 1,...,ℓ dimana :
Z= Y= (2.5) Keterangan :
x = training input y = training target ker = fungsi kernel par = parameter kernel c = batas atas
nsv = nomor-nomor dari support vector
alpha = lagrange multipliers
b0 = bias term
Kelebihan dan kekurangan SVM adalah sebagai berikut : Kelebihan
Dalam memilih metode untuk menyelesaikan sebuah masalah pasti terdapat kelebihan dan kekurangan, berikut adalah kelebihan dan kekurangan pada Support
Vector Machine (SVM) :
(30)
17 1. Generalisasi
Generalisasi didefinisikan sebagai kemampuan suatu metode (SVM,
neural network, dsb.) untuk mengklasifikasikan suatu pattern, yang tidak termasuk
data yang dipakai dalam fase pembelajaran metode itu.. Strategi ini disebut Empirical
Risk Minimization (ERM). SVM digunakan untuk meminimalisir error faktor kedua.
Strategi ini disebut Structural Risk Minimization (SRM), dan dalam SVM diwujudkan dengan memilih hyperplane dengan margin terbesar.
2. Curse of Dimensionality
sering terjadi, data yang diolah berjumlah terbatas, dan untuk mengumpulkan data yang lebih banyak tidak mungkin dilakukan karena kendala biaya dan kesulitan teknis. Dalam hal tersebut, jika metode itu terpaksa harus bekerja pada data yang berjumlah relatif sedikit dibandingkan dimensinya,sehingga membuat proses estimasi parameter metode menjadi sangat sulit.
3. Landasan Teori
Sebagai metode yang berbasis statistik, SVM memiliki landasan teori yang dapat dianalisa dengan jelas, dan tidak bersifat black box.
Kekurangan
Dari kelebihan SVM juga terdapat kekurangannya, diantaranya :
1. Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini dimaksudkan dengan jumlah sample yang diolah.
2. SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua class. Sekarang ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan class lebih dari dua.
(31)
2.6 Penelitian Terdahulu
Penelitian terdahulu dapat dilihat pada tabel 2.1. Tabel 2.1 Penelitian Terdahulu
No Judul Penulis dan
Tahun
Metode yang digunakan
Keterangan
1 Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine Setiawan, Wahyudi. 2012 Support Vector
Machine dan
k-Nearest Neighbour (kNN)
Support Vector Machine
(SVM) dan k-Nearest Neighbour (kNN)
digunakan sebagai metode klasifikasi .
Hasil pengujian dilakukan Dengan mengambil dataset MESSIDOR dengan
sejumlah citra yang bervariasi untuk tahap pelatihan
2 Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere Ardiansjah, Y., Suciati, N. & Herumurti, D. 2012 Move Median Center (MMC) Hypersphere Menggunakan metode klasifikasi Move Median Center (MMC)
Hypersphere untuk
mengenali spesies tanaman berdasarkan bentuk daunnya
3 Klasifikasi Daun Dengan
Centroid Linked
Liantoni, F., Ramadijanti
, N. &
metode centroid
linked dan metode
k-means
Deteksi tepi
menggunakan moment
(32)
19 Tabel 2.1 Penelitian Terdahulu (lanjutan)
Clustering Berdasarkan Fitur Bentuk Tepi Daun
Rosyid, M.N.2011
klasifikasi menggunakan metode centroid linked dan metode k-means
4 Data
Classification Using Support Vector Machine
K. Srivastava,et
al.2010
Support vector Machine
Mengklasifikasi data yang berbeda (data Diabetes, Jantung Data, data satelit dan data Shuttle) yang memiliki dua atau multi kelas menggunakan SVM
(33)
BAB III
ANALISIS DAN PERANCANGAN
Bab ini akan membahas analisis teknik Sobel Operator dan Support Vector Machine
dan membahas tahap-tahap yang akan dilakukan dalam perancangan aplikasi yang akan dibangun.
3.1 Analisis Aplikasi
Aplikasi identifikasi penyakit daun kelapa sawit menggunakan Support vector
Machine merupakan aplikasi yang dapat mengidentifikasi jenis penyakit daun
tanaman kelapa sawit yang disebabkan hama ulat api dan ulat kantong pada citra original daun kelapa sawit. Aplikasi ini akan menerima masukan berupa citra original daun kelapa sawit. Kemudian citra tersebut akan diproses melalui tahapan
preprocessing citra, feature extraction, klasifikasi dan identifikasi jenis penyakit daun
kelapa sawit menggunakan metode Support Vector Machine dapat dilihat pada gambar 3.1
(34)
21
Image Pre-Processing
Image Enhancement Image Segmentation
Klasifikasi dan Identifikasi Feature Extraction Grayscale
Resizing
Binarisasi
Thinning
Sobel
Zoning SVM
Citra Original Daun Kelapa Sawit
Hasil Identifikasi Citra Daun
OUTPUT INPUT
Gambar 3.1 Gambar Arsitektur Umum Aplikasi Identifkasi Penyakit Daun kelapa Sawit.
3.2 Preprocessing Citra Penyakit Daun Tanaman Kelapa Sawit
Tahapan preprocessing citra daun tanaman kelapa sawit terdiri dari proses image
enhancement dan image segmentation.
3.2.1 Image Enhancement
Image enhancement merupakan tahapan pengolahan citra yang berfungsi untuk
memperbaiki kualitas citra yang ada diantaranya noise, memperbaiki kontras citra, dan mempertajam warna citra pada citra origanal daun kelapa sawit . Citra original daun kelapa sawitdapat dilihat pada gambar 3.2.
(35)
(a) (b)
Gambar 3.2 (a) Citra Original Efek Ulat Api (b) Citra Original Efek Ulat Kantong
Pada bagian ini Metode Enhancement yang akan digunakan sebagai berikut : 3.2.1.1 TeknikResizing
Pada tahap ini dilakukan pengukuran ulang dari citra daun dengan mengecilkan ukuran pixel dari citra daun,citra daun yang original memiliki ukuran 4272x2848 pixel,untuk memfokuskan pada bagian citra daun yang terserang penyakit dibuatlah ukuran menjadi 170x170 pixel agar didapat ukuran pixel yang ideal untuk pemrosesan citra daun. Proses resizing dapat dilihat pada gambar 3.3 :
(a) (b)
(36)
23
3.2.1.2 TeknikGrayscale
Pada tahap selanjutnya citra daun yang sudah di resizing akan diubah warnanya menjadi ke warna hitam & putih, teknik grayscale menghitung nilai elemen warna dari dari Red,Green dan Blue. teknik grayscale ini digunakan untuk membedakan antara bayangan dan warna asli dari citra daun , selanjtnya akan dilakukan proses
tresholding, pada proses ini citra warna yang telah berubah menjadi grayscale
diubah,sehingga warna berubah menjadi hitam dan putih. Oleh karena itu, bayangan tidak akan mengganggu nantinya dalam mengenali bagian pola tertentu pada citra daun dan juga mengecilkan ukuran bit pada citra daun karena warna citra daun diubah dari berwarna menjadi hitam & putih.
Untuk menghitung citra grayscale (keabuan) digunakan rumus:
(3.1) dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan mengatur warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter α, dan . Secara umum nilai α, dan adalah 0.γγ. Contoh citra yang mengalami proses grayscale dapat dilihat pada gambar 3.4 :
(a) (b)
Gambar 3.4 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit
(37)
3.2.1.3 Binarisasi
Pada tahapan selanjutnya citra daun yang sudah mengalami proses grayscale akan mengalami proses binariasi. suatu teknik yang digunakan dalam proses pemisahan citra objek dari backgroundnya. Dalam teknik binerisasi, citra digital akan diklafikasikan menjadi dua bagian yaitu objek dan background (Fauzi, 2012). Pada tahapan ini suatu piksel akan menjadi area objek jika nilai intensitas suatu piksel. Jika piksel tertentu memiliki nilai intensitas lebih dari nilai ambang, maka piksel tersebut akan menjadi bagian dari area background. Contoh citra yang mengalami proses binarisasi dapat dilihat pada gambar 3.5 :
(a) (b)
Gambar 3.5 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit Binarisasi.
3.2.1.4 Thinning
Pada tahapan ini citra daun kelapa sawit yang sudah mengalami proses binarisasi akan mengalami proses thinning. Thinning adalah proses penggalian kerangka dari suatu objek dalam citra digital. Hal ini juga dapat didefinisikan sebagai tindakan mengidentifikasi jumlah piksel yang dimiliki objek (Ashwini, 2013). Pada penelitian ini digunakan teknik Thinning Zhang-Suen.
Algoritma ini digunakan untuk citra biner, didefinisikan piksel background citra bernilai 0, dan piksel foreground (region) bernilai 1.. Metode Zhang Suen menggunakan dua langkah dasar berturut-turut yang diterapkan pada titik-titik kontur
(38)
25 wilayah tertentu, di mana titik kontur adalah setiap pixel dengan nilai '1 'dan memiliki setidaknya satu 8-tetangga '0 dihargai'. Dengan mengacu pada definisi 8-lingkungan yang ditunjukkan pada gambar 3.6 :
P9 P2 P3 0 0 1
P8 P1 P4 1 P1 0
P7 P6 P5 1 0 1
Gambar 3.6 Ilustrasi Piksel P1 dengan 8 Tetangga.
Langkah pertama dari sebuah penelusuran adalah menandai semua titik objek untuk dihapus, kemudian titik-titik objek tersebut akan memnuhi syarat sebagai berikut : a. β ≤ N (P1) ≤ 6
b. S(P1) = 1
c. P2 * P4 * P6 = 0 d. P4 * P6 * P8 = 0 Keterangan :
Dimana N (P1) adalah jumlah tetangga nol dari P1, N (P1) = P2 + P3 + ... P8 P9 + dan S (P1) adalah jumlah 0-1 transisi untuk mengurutkan P2, P3, ..., P8, P9. Sebagai contoh : P2 * P4 * P6 = 0, memiliki arti P2 atau P4 atau P6 bernilai 0 (nol). Pada langkah kedua, kondisi (a) dan (b) sama dengan langkah pertama, sedangkan kondisi (c) dan (d) diubah menjadi :
(c’) Pβ * P4 * P8 = 0 (d’) Pβ * P6 * P8 = 0
Berikut adalah contoh citra kelapa sawit yang mengalami proses thinning yang dapat dilihatpada gambar 3.7 :
(39)
Gambar 3.7 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit
Thinning.
3.2.2 Image Segmentation
Image Segmentation adalah tahapan pada pengolahan citra yang membagi citra ke
dalam daerah konten relatif. Konten relatif tersebut terdiri dari intensitas warna keabuan, warna, tekstur, shape dan sebagainya.
3.2.2.1 Sobel Operator
Pada tahapan ini citra daun yang telah mengalami proses thinning akan mengalami proses segmentasi.Pada penelitian ini proses segmentasi menggunakan teknik Sobel
Operator.Sobel operator adalah operator diferensiasi diskrit yang menghitung
perkiraan gradien intensitas citra fungsi (Ghoshal, et al 2012).
Proses yang ditujukan untuk mendapatkan objek-objek yang terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap objek atau daerah yang memiliki kemiripan.Kemiripan dari pola yang ada pada citra daun ini lah yang akan dijadikan acuan dalam pemrosesan citra pada garis tepi nya.Penggunaan teknik Sobel Operator ini untuk menghilangkan noise yang ada pada citra daun kelapa sawit,sehingga akan memisahkan antara bagian daun dengan latar belakang dari citra daun. Operator Sobel melakukan perkalian matriks digabungkan bersama-sama untuk menemukan besarnya nilai dari gradien pada setiap titik dan orientasi dari gradien. Berikut adalah hasil citra daun kelapa sawit yang telah mengalami proses Sobel
(40)
27
(a) (b)
Gambar 3.8 (a) Citra Original Daun Kelapa Sawit (b) Citra Daun Kelapa Sawit
Sobel Operator.
3.2.3 Feature Extraction
Pada penelitian ini ekstraksi fitur yang dilakukan menggunakan metode zoning. Citra daun akan dibagi kedalam beberapa wilayah atau zona dengan ukuran yang sama, nilai fitur yang didapatkan dari metode tersebut akan digunakan untuk menemukan hasil dari nilai citra daun kelapa sawit.
3.2.3.1 Zoning
Zoning adalah salah satu metode yang populer digunakan untuk pengenalan karakter
optik dokumen (Hegadi, 2012). Metode zoning terdiri dari tiga proses, yaitu : 1. Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z54.
Misalkan, Z1 = 5, Z10 = 10 dan Z15 = 3.
2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi.
Misalkan dari contoh tahap 1, zona yang memiliki jumlah piksel paling tinggi adalah Z10, yaitu 10 piksel.
3. Hitung nilai fitur setiap zona dari Z1 sampai Z54. Yaitu menggunakan rumus :
Nilai fitur Zn = Zn / Ztertinggi dimana 1 ≤ n ≤ 54
(41)
Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari satu zona dengan zona yang didapatkan dari proses no 2.
Contoh :
Nilai fitur Z1 = Z1/Z10 = 5/10 = 0.5 Nilai fitur Z10 = Z10/Z10 = 10/10 = 1 Nilai fitur Z15 = Z15/Z10 = 3/10 = 0.3
Dari ekstraksi zoning didapatkan 54 nilai fitur yang mewakili setiap zona. Zona yang memiliki tingkat kehitaman paling tinggi yang akan digunakan sebagai nilai untuk ekstarksi fitur.
3.2.4 Klasifikasi dan Identifikasi
Klasifikasi dan identifikasi pada aplikasi ini menggunakan metode Support Vector
Machine. Tujuan dari metode ini adalah untuk mengklasifikasikan objek citra daun
kelapa sawit yang baru berdasarkan data training. 3.2.4.1Data
Data yang digunakan dalam aplikasi dibagi menjadi tiga yaitu data masukan, data proses dan data keluaran. Data masukan merupakan citra masukan yang diberikan oleh pengguna untuk dilakukan proses pelatihan maupun proses pengujian pada aplikasi. Data proses adalah data citra yang diperoleh ketika aplikasi dijalankan. Data keluaran adalah citra hasil akhir yang akan ditampilkan kepada pengguna.
3.2.4.2Data Masukan
Data masukan yang digunakan adalah data citra original daun kelapa sawit yang mempunyai resolusi 4272 x 2848 pixel. Citra daun yang digunakan yang didiagnosa memiliki penyakit efek ulat api dan ulat kantong. Pada penelitian ini diperoleh 10 data citra daun kelapa sawit dimana 10 citra efek hama ulat api dan 10 citra efek hama ulat
(42)
29 kantong pada citra latih Pada pengujian,pada pengujian aplikasi digunakan 10 citra dimana 5 citra efek ulat api dan 5 citra efek ulat kantong .
3.2.4.3Data Proses
Data proses adalah data citra yang diperoleh ketika aplikasi dijalankan. Tahapan utama dalam memperoleh data proses adalah preprocessing citra daun kelapa sawit,
feature extraction, klasifikasi dan identifikasi. Tahapan preprocessing citra daun
kelapa sawit terdiri dari tahapan proses image enhancement dan image segmentation.
Tahapan proses image enhancement terdiri dari resizing, grayscale, binarisasi dan
thinning. Sedangkan, pada tahapan proses image segmentation yaitu sobel operator.
3.2.4.4 Data Keluaran
Data keluaran dari aplikasi adalah . Citra akhir merupakan citra yang telah diidentifikasi berdasarkan jenis penyakit daun kelapa sawit efek hama ulat api dan ulat kantong beserta informasi tingkat kecocokan dan nama penyakit dari citra yang telah diproses
3.2.4.5 Support Vector Machine
Aplikasi identifikasi jenis penyakit daun kelapa sawit ini menggunakan metode
support vector machine yang bertujuan untuk mengklasifikasikan jenis penyakit daun
kelapa sawit efek hama ulat api dan ulat kantong.
Alur dari metode SVM yang diimplementasikan pada aplikasi identifikasi jenis penyakit daun kelapa sawit dapat dilihat pada gambar 3.9
(43)
Start
H = kernel (x)
C = -ones (n,1)
α > = 0 Vvb = (*ones(n,1)
Vlb = zeros (n,1)
X0 = zeros (n,1) A = y’ ; b = 0
α = quadprog (H, c, [], [], A, b, vlb, vvb, x0) w2 = α * H * α ;
No
yes For i = 1 : n For j = 1 : n H (i,j) = y(i)*y(j)*H(i.j)
A A
(44)
31
α > ϵ
Svi Nsv = panjang (svi)
b0 = 0
b0 = (1/length (svii)) * svm (y(svii) - H (svii, svi) * α (svi) * y (svii)) ;
Finish Error
svii = find (α > ϵ & α < (c - ϵ ));
If panjang (svii) > 0 If tbias == 0
No
Yes
Yes
B
Gambar 3.9 Flowchart Metode Support Vector Machine (lanjutan).
Keterangan gambar :
1. Bangun H dengan menggunakan system kernel
2. Hitung nilai c dengan fungsi c = -ones(n,1) untuk mengeset batas 3. Jika alpha >= 0 hitung vlb dengan menggunakan fungsi vlb = zeros(n,1) 4. Jika tidak set vvb = c * ones(n,1)
5. Set fungsi paramaeter x0 = zeros(n,1)
6. Hitung nilai quadratic programming dengan menggunakan rumus1/2 * Hx + f’(x)
7. Hitung nilai w2 dengan perhitungan w2 = alpha * H * alpha 8. Hitung nomor dari support vector
Svi = find (alpha > epsilon) Nsv = panjang(svi)
(45)
9. Hitung nilai rata” dari svm margin
Svii = find(alpha > epsilon &alpha < (c – epsilon))
Jika panjang (svii) > 0 Maka bo = (1/ length (svii)) * sum (y (svii) – H (svii,svi) * alpha (svi) * y(svii))
10.Jika panjang (svii tidak lebih besar dari 0 ) Maka ulangi langkah 9
3.2.5 Perancangan Aplikasi
Pada perancangan sistem akan dilakukan perancangan bagaimana identifikasi jenis penyakit daun tanaman kelapa sawit efek hama ulat api dan ulat kantong diproses di dalam aplikasi yang akan dibangun.
3.2.5.1Perancangan Menu Aplikasi
Struktur menu Aplikasi dapat dilihat pada gambar 3.10 :
Halaman Awal
Pilih Citra
Lakukan Sobel
Identifikasi Daun
Exit
Gambar 3.10 Struktur Menu Aplikasi.
3.2.5.2Rancangan Halaman Aplikasi
Halaman aplikasi adalah tempat dimana citra daun kelapa sawit yang akan diidentifikasi dilakukan. Rancangan halaman aplikasi dapat dilihat pada gambar 3.11 :
(46)
33
Pilih Citra Lakukan sobel
Identifikasi Exit
Identify
Identifikasi Jenis Penyakit Daun Kelapa Sawit 1
2
4 3
6
5 7
Gambar 3.11 Rancangan Halaman Aplikasi. Keterangan gambar :
1. Judul Halaman Aplikasi
2. Halaman tempat citra akan mengalami proses, ketika citra di input maka akan muncul pada halaman “identify”.
3. Tombol “pilih citra”, adalah tombol yang digunakan user untuk menginput citra daun yang akan diidentifikasi, citra daun akan ditampilkan pada halaman “identify”di sebelah kiri atas halaman.
4. Tombol “lakukan sobel”, adalah tombol untuk melakukan proses citra
pendeteksian tepi, citra daun yang mengalami proses sobel akan ditampilkan pada bagian kanan atas halaman “Identify”.
5. Tombol “Identifikasi” adalah tombol yang digunakan untuk mengidentifikasi jenis penyakit pada citra yang akan di proses.
6. Halaman “Output” tempat informasi dari citra yang telah diproses yang akan
memberikan informasi berupa tingkat kecocokan citra dan jenis penyakit dari citra yang di input.
(47)
BAB IV
IMPLEMENTASI DAN PENGUJIAN
Pada bab ini akan dijelaskan implementasi dan pengujian aplikasi sesuai dengan analisis dan perancangan yang telah dibahas pada bab sebelumnya. Pengujian aplikasi ini menggabungkan teknik deteksi tepi sobel operator dengan metode support vector
machine.
4.1 Kebutuhan Aplikasi
Kebutuhan aplikasi pada aplikasi identifikasi jenis penyakit efek ulat api dan ulat kantong meliputi perangkat keras dan perangkat lunak.
4.2 Perangkat Keras
Spesifikasi perangkat keras yang digunakan untuk pembuatan aplikasi adalah : Processor : Celeron (2.2 GHz)
RAM : 2 Gb Harddisk : 320 Gb
4.3 Perangkat Lunak
Spesifikasi perangkat lunak yang digunakan untuk pembuatan aplikasi adalah : Aplikasi operasi : Windows 7 Ultimate
(48)
35
4.4 Implementasi Perancangan Antarmuka
Adapun tampilan dari antarmuka sistem yang telah dibuat yaitu sebagai berikut: a. Halaman Utama
Halaman utama merupakan halaman yang pertama kali muncul ketika sistem dijalankan. Pada halaman ini akan ditampilkan keterangan singkat tentang aplikasi beserta tutorial penggunaannya. Contoh halaman awal aplikasi dapat dilihat pada gambar 4.1 :
(49)
b. Pemilihan Citra
Halaman ini berfungsi untuk menginput citra daun kelapa sawit yang akan diidentifikasi. Tampilan pemilihan citra dapat dilihat pada gambar 4.2 :
Gambar 4.2 Tampilan Halaman Input Citra
c. Proses Identifikasi Citra
Halaman ini menunjukkan proses identifikasi citra daun kelapa sawit. Tampilan proses identifikasi dapat dilihat pada gambar 4.3 :
(50)
37 d. Hasil Identifikasi
Halaman ini menunjukkan hasil dari identifikasi citra daun kelapa sawit. Tampilan hasil identifikasi citra dapat dilihat pada gambar 4.4 :
Gambar 4.4 Tampilan Halaman Hasil Identifikasi
4.5 Pengujian Aplikasi
Pengujian sistem bertujuan untuk mengantisipasi terjadinya error pada komponen atau pun pada interface dari suatu program. Pengujian sistem merupakan teknik yang biasanya dipakai untuk melakukan verifikasi dan validasi kualitas dari suatu sistem (D. Shao, dkk. 2007).
Metode pengujian yang diterapkan pada penelitian ini adalah metode black box
atau functional testing. Pada metode black box, pengujian tidak dilakukan pada source code, tetapi hanya berfokus pada kebutuhan fungsional sistem berdasarkan input dan
(51)
4.5.1 Rencana Pengujian Aplikasi
Rencana pengujian aplikasi yang akan diuji dapat dilihat pada tabel 4.1. Tabel 4.1 Rencana Pengujian Aplikasi
NO KOMPONEN APLIKASI YANG DIUJI BUTIR UJI
1 Halaman Utama. Tombol “Pilih Citra”
Tombol “Lakukan Sobel” Tombol “Identifikasi
Daun” Tombol “Exit” Pada tabel 4.2 akan dijelaskan hasil pengujian halaman utama aplikasi identifikasi jenis penyakit daun tanaman kelapa sawit.
Tabel 4.2 Hasil Pengujian Halaman Utama
NO Skenario Uji Hasil yang Diharapkan Hasil pengujian 1 Tombol “pilih
citra”
Aplikasi menampilkan halaman baru untuk memilih folder yang menyimpan citra yang akan dipilih untuk diuji kemudian citra yang dipilih akan mengalami proses resizing dan
grayscale secara otomatis.
Berhasil
2 Tombol “lakukan sobel”
Aplikasi menampilkan jendela baru yang menampilkan hasil citra yang mengalami proses sobel.
Berhasil
3 Tombol “Identifikasi”
Aplikasi akan menjalankan proses pengklasifikasian jenis penyakit daun dari citra yang diuji menggunakan metode SVM.
Berhasil
(52)
39 4.5.2 Pelatihan Data
Pada proses pelatihan terdapat 20 citra original daun kelapa sawit yang meliputi efek hama ulat api dan ulat kantong. Dari hasil pelatihan dengan menggunakan Support
Vector Machine, ketepatan mengidentifikasi daun kelapa sawit mendekati 76,87 %,
dengan tingkat error mendekati 0,43 % sebesar pada epoch 10000. Parameter yang digunakan dalam pelatihan ini dapat dilihat pada tabel 4.3
Tabel 4.3 Parameter pelatihan identifikasi jenis hama ulat api dan ulat kantong
Training input X
Training target Y
Fungsi kernel Ker
Bidang normal W
Maksimum Epoch 10000
Goal (error limit) 0
Learning Rate 0.5
Momentum 0.9
Performance (MSE) 0,4379
Algoritma pembelajaran Support Vector Machine
Hasil pelatihan data latih citra daun ulat api dan ulat kantong dapat dilihat pada tabel 4.4
Tabel 4.4 Persentase Tingkat Kecocokan Data Latih Citra Daun Efek Hama Ulat Api dan Ulat Kantong
No Nama Citra MSE Tingkat Kecocokan
(%)
Status
1 Ulatkantong1 0,537 84,91 Berhasil
2 Ulatkantong2 0,592 86,54 Berhasil
3 Ulatkantong3 0,571 85,64 Berhasil
4 Ulatkantong4 0,522 86,26 Berhasil
5 Ulatkantong5 0,698 76,88 Berhasil
(53)
Tabel 4.4 Persentase Tingkat Kecocokan Data Latih Citra Daun Efek Ham Ulat Api dan Ulat Kantong (lanjutan)
7 Ulatkantong7 0,661 78,57 Berhasil
8 Ulatkantong8 5,334 - Gagal
9 Ulatkantong9 0,572 92,74 Berhasil
10 Ulatkantong10 0,416 93,89 Berhasil
11 Ulatapi1 0,663 76,56 Berhasil
12 Ulatapi2 0,656 77,79 Berhasil
13 Ulatapi3 0,698 74,29 Berhasil
14 Ulatapi4 0,680 78,51 Berhasil
15 Ulatapi5 0,503 80,77 Berhasil
16 Ulatapi6 3,912 - Gagal
17 Ulatapi7 4,212 - Gagal
18 Ulatapi8 0,601 78,22 Berhasil
19 Ulatapi9 0,679 76,78 Berhasil
20 Ulatapi10 0,432 90,77 Berhasil
Berdasarkan pada tabel 4.4 dapat dilihat hasil tingkat kecocokan pada citra daun ulat kantong dan ulat api. Hasil tersebut dapat dilihat pada gambar 4.5
Gambar 4.5 Grafik Pelatihan Data Ulat Api dan Ulat Kantong 0 10 20 30 40 50 60 70 80 90 100 Ul at k an to n g 1 U lat k an to n g 2 Ul at k an to n g 3 Ul at k an to n g 4 Ul at k an to n g 5 Ul at k an to n g 6 Ul at k an to n g 7 U lat k an to n g 8 Ul at k an to n g 9 Ul at k an to n g 1 0 Ul at ap i1 Ul at ap i2 Ul at ap i3 U lat ap i4 Ul at ap i5 Ul at ap i6 Ul at ap i7 Ul at ap i8 Ul at ap i9 U lat ap i1 0
Tingkat Kecocokan
Tingkat Kecocokan(54)
41 Dari hasil pelatihan menggunakan metode Support Vector Machine tingkat rata-rata pelatihan mendekati tingkat kecocokan gambar kurang lebih 85 % dengan rata-rata tingkat error mendekati 0,5 %. Hasil dari nilai tingkat kecocokan dapat dilihat dengan persamaan :
4.1.5.2 Pengujian Data
Pengujian data untuk mengidentifikasi jenis penyakit daun tanaman kelapa sawit menggunakan 10 citra original daun kelapa sawit yang diduga berpenyakit efek hama ulat api dan ulat kantong dengan pembagian 5 citra hama ulat api dan 5 citra hama ulat kantong. Tabel pengujian data diperlihatkan pada tabel 4.5
Tabel 4.5 Persentase Tingkat Kecocokan Hasil Identifikasi Jenis Penyakit Daun Kelapa Sawit
No Nama Citra Tingkat Kecocokan (%) MSE Status
1 Daun a.jpeg 76,896 0,681 Berhasil
2 Daun b.jpeg - 1,587 Gagal
3 Daun c.jpeg 74,889 0,694 Berhasil
4 Daun d.jpeg 78,895 0,613 Berhasil
5 Daun e.jpeg 80,895 0,583 Berhasil
6 Daun f.jpeg 82,895 0,561 Berhasil
7 Daun g.jpeg 83,899 0,512 Berhasil
8 Daun h.jpeg 84,897 0,511 Berhasil
9 Daun i.jpeg 86,897 0,594 Berhasil
10 Daun j.jpeg 85,896 0.534 Berhasil
Berdasarkarkan Tabel 4.5 diatas dapat disimpulkan penerapan metode Support
Vector Machine memiliki tingkat akurasi yang berbeda. Pada gambar 4.6 ditampilkan
(55)
Gambar 4.6 Grafik Pengujian Data Uji Daun Kelapa Sawit
Dari hasil pengujian data aplikasi identifikasi jenis penyakit daun tanaman kelapa sawit dengan menggunakan metode Support Vector Machine didapat hasil ketepatan dalam mengidentifikasi citra dengan rata-rata mendekati nilai 90 % dan tingkat error
rata-rata mendekati nilai 0,5 %. Hasil dari nilai tingkat kecocokan dapat dilihat dengan persamaan
68 70 72 74 76 78 80 82 84 86 88
Daun a Daun b Daun c Daun d Daun e. Daun f Daun g Daun h Daun i Daun j
Tingkat Kecocokan
(56)
43
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pengujian aplikasi identifikasi jenis penyakit pada daun kelapa sawit dengan menggabungkan teknik sobel operator dan support vector machine terdapatlah kesimpulan sebagai berikut :
1. SVM dapat mengenali jenis penyakit daun tanaman kelapa sawit efek hama ulat api dan ulat kantong dengan mencari tingkat error yang paling rendah dari tiap citra yang memiliki ciri dari kedua jenis penyakit tersebut dengan bantuan metode deteksi tepi Sobel Operator yang membuat tepi dari objek yang diteliti menjadi terlihat lebih jelas.
2. Proses identifikasi jenis penyakit daun kelapa sawit terbilang cukup akurat yang dapat membedakan jenis penyakit efek hama ulat api dan ulat kantong.
3. Proses identifikasi jenis penyakit daun kelapa sawit memperoleh akurasi pengujian sebanyak 80,895 %..
5.2 Saran
Saran untuk penelitian selanjutnya :
1. Penggunaan metode sobel operator dan support vector machine dapat diterapkan pada penelitian selanjutnya dalam bidang pertanian untuk mengidentifikasi jenis penyakit daun tanaman lainnya.
(57)
2. Aplikasi identifikasi jenis penyakit daun kelapa sawit ini dapat dikembangkan untuk mendeteksi jenis penyakit lainnya pada daun kelapa sawit.
(58)
45
DAFTAR PUSTAKA
Ardiansjah, Y., Suciati, N. & Herumurti, D. 2012. Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median
Center (MMC) Hypersphere. Institut Teknologi Sepuluh Nopember.
Surabaya.
Boser, B. E, Guyon, I. M and Vapnik, V. N. A. 1992. Training Algorithm for optimal
Margin Classifiers. University of California.
Bowo, Ari et al. 2011. Analisis Deteksi Tepi untuk Mengidentifikasi Pola Daun.
Teknik Elektro Fakultas Teknik Universitas Diponegoro. Semarang.
Fauzi, F. & Arnia, F. 2012. Analisis Kinerja Metode Binerisasi Pada Proses Pemisahan Text dari Background Menggunakan Perangkat Lunak OCR. Universitas Syiah Kuala, Banda Aceh.
Folorunso, O and Vincent, O R. 2009. A Descriptive Algorithm for Sobel Image Edge
Detection. University of Agriculture, Abeokuta. Nigeria.
Ghoshal, Dibyendu and Das Alak. 2012. A Study on Human Eye Detection in a Color Image Based on Harris Corner Detedtor and Sobel Edge Operator.
Department of Electronics & Communication Engineering,National Institute of Technology, Agartala, India.
Hegadi, R. S.. 2012. Recognition of Printed Kannada Numerals based on Zoning
(59)
Karnea, S. & Navalgund, S.S. 2013. Implementation of an Image Thinning Algorithm
using Verilog and MATLAB. SDMCET, India.
K.Vairalkar, Manoj ,and Nimbhorkar, S U. 2012. Edge Detection of Images Using
Sobel Operator. MTECH Scholar Computer Science & Engineering,
G.H.R.C.E. India.
Liantoni, F., Ramadijanti, N. & Rosyid, M.N.2011 . Klasifikasi Daun Dengan
Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun. Institut
Teknologi Sepuluh Nopember. Surabaya.
Lie, F dan Kusuma, M. 2011. Sistem Pakar Untuk mendiagnosa Penyakit Tanaman Kelapa sawit dan Cara Penanggulangannya. STMIK GI MDP. Jakarta
Munir, Rinaldi. 2005. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Perpustakaan Universitas Paramadina. Bandung.
Parikesit, Dian. 2012. Analisis Deteksi Tepi untuk Mengidentifikasi Pola Wajah Reviuw (Imaged Detection Based dan Morphology). Magister Komputer Universitas Budi Luhur. Jakarta.
Santosa, B. 2013. Tutorial Support Vector Machine. ITS, Surabaya.
Setiawan, Wahyudi. 2012. Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine. Universitas Diponegoro, Semarang.
Shao, D. K, S. and Perry, D. E. 2007. A Case for White-box Testing Using
Declarative Specifications Poster Abstract. in Testing: Academic and
Industrial Conference Practice and Research Techniques, p. 137.
Srivastava. K and Bhambhu, L. 2010. Data Classification Using Support Vector
(60)
47 Sommerville, I. 2004. Software Engineering. 7th edition. Harlow, Pearson Education.
Wulandini, F dan Nugroho, A.S. 2009. Text Classification Using Support Vector Machine for Webmining Based Spatio Temporal Analysis of the Spread of
Tropical Disease: International Conference on Rural Information and
(1)
Gambar 4.6 Grafik Pengujian Data Uji Daun Kelapa Sawit
Dari hasil pengujian data aplikasi identifikasi jenis penyakit daun tanaman kelapa sawit dengan menggunakan metode Support Vector Machine didapat hasil ketepatan dalam mengidentifikasi citra dengan rata-rata mendekati nilai 90 % dan tingkat error
rata-rata mendekati nilai 0,5 %. Hasil dari nilai tingkat kecocokan dapat dilihat dengan persamaan
68 70 72 74 76 78 80 82 84 86 88
Daun a Daun b Daun c Daun d Daun e. Daun f Daun g Daun h Daun i Daun j
Tingkat Kecocokan
(2)
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pengujian aplikasi identifikasi jenis penyakit pada daun kelapa sawit dengan menggabungkan teknik sobel operator dan support vector machine terdapatlah kesimpulan sebagai berikut :
1. SVM dapat mengenali jenis penyakit daun tanaman kelapa sawit efek hama ulat api dan ulat kantong dengan mencari tingkat error yang paling rendah dari tiap citra yang memiliki ciri dari kedua jenis penyakit tersebut dengan bantuan metode deteksi tepi Sobel Operator yang membuat tepi dari objek yang diteliti menjadi terlihat lebih jelas.
2. Proses identifikasi jenis penyakit daun kelapa sawit terbilang cukup akurat yang dapat membedakan jenis penyakit efek hama ulat api dan ulat kantong.
3. Proses identifikasi jenis penyakit daun kelapa sawit memperoleh akurasi pengujian sebanyak 80,895 %..
5.2 Saran
Saran untuk penelitian selanjutnya :
1. Penggunaan metode sobel operator dan support vector machine dapat diterapkan pada penelitian selanjutnya dalam bidang pertanian untuk mengidentifikasi jenis penyakit daun tanaman lainnya.
(3)
(4)
DAFTAR PUSTAKA
Ardiansjah, Y., Suciati, N. & Herumurti, D. 2012. Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere. Institut Teknologi Sepuluh Nopember. Surabaya.
Boser, B. E, Guyon, I. M and Vapnik, V. N. A. 1992. Training Algorithm for optimal Margin Classifiers. University of California.
Bowo, Ari et al. 2011. Analisis Deteksi Tepi untuk Mengidentifikasi Pola Daun.
Teknik Elektro Fakultas Teknik Universitas Diponegoro. Semarang.
Fauzi, F. & Arnia, F. 2012. Analisis Kinerja Metode Binerisasi Pada Proses Pemisahan Text dari Background Menggunakan Perangkat Lunak OCR. Universitas Syiah Kuala, Banda Aceh.
Folorunso, O and Vincent, O R. 2009. A Descriptive Algorithm for Sobel Image Edge Detection. University of Agriculture, Abeokuta. Nigeria.
Ghoshal, Dibyendu and Das Alak. 2012. A Study on Human Eye Detection in a Color Image Based on Harris Corner Detedtor and Sobel Edge Operator.
Department of Electronics & Communication Engineering,National Institute of Technology, Agartala, India.
Hegadi, R. S.. 2012. Recognition of Printed Kannada Numerals based on Zoning Method. Soapur University, India.
(5)
K.Vairalkar, Manoj ,and Nimbhorkar, S U. 2012. Edge Detection of Images Using Sobel Operator. MTECH Scholar Computer Science & Engineering, G.H.R.C.E. India.
Liantoni, F., Ramadijanti, N. & Rosyid, M.N.2011 . Klasifikasi Daun Dengan
Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun. Institut Teknologi Sepuluh Nopember. Surabaya.
Lie, F dan Kusuma, M. 2011. Sistem Pakar Untuk mendiagnosa Penyakit Tanaman Kelapa sawit dan Cara Penanggulangannya. STMIK GI MDP. Jakarta
Munir, Rinaldi. 2005. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Perpustakaan Universitas Paramadina. Bandung.
Parikesit, Dian. 2012. Analisis Deteksi Tepi untuk Mengidentifikasi Pola Wajah Reviuw (Imaged Detection Based dan Morphology). Magister Komputer Universitas Budi Luhur. Jakarta.
Santosa, B. 2013. Tutorial Support Vector Machine. ITS, Surabaya.
Setiawan, Wahyudi. 2012. Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine. Universitas Diponegoro, Semarang.
Shao, D. K, S. and Perry, D. E. 2007. A Case for White-box Testing Using
Declarative Specifications Poster Abstract. in Testing: Academic and Industrial Conference Practice and Research Techniques, p. 137.
Srivastava. K and Bhambhu, L. 2010. Data Classification Using Support Vector Machine. Bahal, Bhiwani, Haryana, India.
(6)
Sommerville, I. 2004. Software Engineering. 7th edition. Harlow, Pearson Education.
Wulandini, F dan Nugroho, A.S. 2009. Text Classification Using Support Vector Machine for Webmining Based Spatio Temporal Analysis of the Spread of Tropical Disease: International Conference on Rural Information and Communication Technology. Swiss German University. Germany