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

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

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

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

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.

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.

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.

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

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

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

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

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.

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.

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.

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.

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

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

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

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.

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

(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.

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

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.

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

(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

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

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

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.

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) :

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.

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

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

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

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.

(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)

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

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

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 :

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

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

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

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

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

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)

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 :

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.

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

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 :

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 :

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

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

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

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

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

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

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.

2. Aplikasi identifikasi jenis penyakit daun kelapa sawit ini dapat dikembangkan untuk mendeteksi jenis penyakit lainnya pada daun kelapa sawit.

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

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

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

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

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.

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.

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.

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