Pendugaan Nilai Reflectance Menggunakan Transformasi Fourier untuk Menentukan Usia dan Kandungan Pigmen Citra Daun Jati Belanda

PENDUGAAN NILAI REFLECTANCE MENGGUNAKAN
TRANSFORMASI FOURIER UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN CITRA DAUN JATI BELANDA

DHIEKA AVRILIA LANTANA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Pendugaan Nilai
Reflectance Menggunakan Transformasi Fourier untuk Menentukan Usia dan
Kandungan Pigmen Citra Daun Jati Belanda adalah benar karya saya dengan
arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Agustus 2014
Dhieka Avrilia Lantana
NIM G651120381

RINGKASAN
DHIEKA AVRILIA LANTANA. Pendugaan Nilai Reflectance Menggunakan
Transformasi Fourier untuk Menentukan Usia dan Kandungan Pigmen Citra
Daun Jati Belanda. Dibimbing oleh YENI HERDIYENI dan IRMANIDA
BATUBARA.
Salah satu metode kendali mutu yang digunakan untuk mengetahui
kualitas daun Jati Belanda (Guazuma ulmifolia) yaitu dengan melihat usia daun.
Penelitian ini mengusulkan pendekatan baru untuk menduga spektrum reflectance
berdasarkan warna citra digital untuk menentukan usia dan kandungan pigmen
citra daun Jati Belanda. Pendugaan spektrum reflectance dilakukan dengan
menggunakan Transformasi Fourier. Usia daun Jati Belanda diklasifikasikan
menjadi tiga kategori yaitu 1 bulan, 2 bulan dan 3 bulan menggunakan
Probabylistic Neural Network (PNN). Selain itu akan dilihat daya absorbance
pada masing-masing usia untuk melihat kandungan usia mana yang memiliki daya
absorbance paling tinggi.

Metode penelitian ini terdiri atas tiga tahap yaitu estimasi nilai reflectance,
pendugaan kandungan pigmen daun dan prediksi usia daun. Data yang digunakan
dalam penelitian ini adalah data citra 46 daun tanaman obat yang terdiri atas 23
daun muda dan 23 daun tua sebagai data latih dan 90 daun Jati Belanda sebagai
data uji. Selain data citra daun, spektrum reflectance juga dikumpulkan pada
setiap daun dengan menggunakan spektrofotometer untuk menentukan model
terbaik. Citra daun kemudian dilakukan praproses untuk mendapatkan nilai citra
digital pada daerah yang sama dengan pengukuran spektrum reflectance. Terdapat
dua dataset yang akan digunakan yaitu dataset 46 dan dataset 276. Pada dataset 46
keenam titik yang telah diukur spektrum reflectance-nya dirata-ratakan. Pada
dataset 276 keenam titik tersebut tidak dirata-ratakan namun digunakan langsung
sebagai pemodelan.
Pendugaan spektrum reflectance dilakukan dengan menggunakan
Transformasi Fourier pada kedua dataset. Model transformasi polynomial
digunakan untuk memperbanyak nilai RGB sehingga dapat memperbaiki hasil
estimasi spektrum reflectance. Hasil estimasi spektrum reflectance paling baik
direkonstruksi menggunakan dataset 276 dengan model transformasi polynomial
orde 3. Setelah diperoleh model estimasi terbaik, citra daun Jati Belanda
direkonstruksi nilai reflectance-nya. Daya absorbance diperoleh dengan
melakukan konversi spektrum reflectance menjadi spectrum absorbance.

Berdasarkan hasil absorbance-nya, kandungan klorofil dan karotenoid daun Jati
Belanda yang paling tinggi terdapat pada daun usia 3 bulan. Tahap akhir yaitu
melakukan klasifikasi spektrum reflectance daun Jati Belanda untuk menentukan
usia daun. Metode klasifikasi yang digunakan yaitu menggunakan PNN. Hasil
klasifikasi menggunakan pembagian data 5-fold cross validation. Rataan akurasi
yang didapat menggunakan 5-fold cross validation yaitu 76.83 %.
Kata kunci: Model Tranformasi Polynomial, spektrum reflectance, Jati Belanda,
Transformasi Fourier

SUMMARY
DHIEKA AVRILIA LANTANA. Spectral Reflectances Estimation Using Fourier
Transformation to Predict Age and Pigment Content of Jati Belanda Leaf Image.
Supervised by YENI HERDIYENI and IRMANIDA BATUBARA.
This research proposes a new method to control quality of Jati Belanda
(Guazuma ulmifolia) leaf based on digital image color. Jati Belanda is one of
medicinal plant containing antioxidant compounds. Spectral reflectances can be
used for quality control based on age of leaf. This research uses Fourier
Transformation to estimate the spectral reflectances of Jati Belanda leaf based on
digital image color. Age of Jati Belanda leaf is classified into 3 categories: first
month, second month and third month using Probabilistic Neural Network (PNN).

In this research, we analyzed reflectance estimaton, pigment content
estimation and age of leaf prediction. This research uses data from 46 leaves of
medicinal plants (consist of young leaves and old leaves) as training set and 90
leaves of Jati Belanda as testing set. Spectral reflectances are measured for each
leaf using spectrophotometer. Preprocessing is performed on image of leaf. Each
image of leaf is cropped in the same area with spectral reflectances. There are two
datasets in this research, 46 leaves of medicinal plants and 276 leaves of
medicinal plants. In dataset 46 leaves of medicinal plants, 6 point that measured
using spectrophotometer are averaged to produce a single value. The mean value
is used as the training set to estimate the value of reflectance. In dataset 276
leaves of medicinal plants, 6 points is used as the training set.
The experimental result showed that Fourier Transformation can be used
to estimate spectral reflectances. According to evaluation using RMSE and GFC,
dataset 276 using third order is choosed because it has the smallest RMSE values
and high GFC values. After the best model for reflectance estimation have
choosen, image of Jati Belanda leaf is reconstructed using the best model into
spectral reflectance. To predict absorbance in leaf, spectral reflectance is
converted into spectral absorbance. Based on the results of its absorbance, the
highest chlorophyll and carotenoid content of Jati Belanda leaves found on leaf
age of 3th months. PNN is used to predict age of Jati Belanda leaf. The average

accuracy is 76.83 %.
Keywords: polynomial transformation model, spectral reflectance, Jati Belanda,
Fourier Transformation

© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

PENDUGAAN NILAI REFLECTANCE MENGGUNAKAN
TRANSFORMASI FOURIER UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN CITRA DAUN JATI BELANDA

DHIEKA AVRILIA LANTANA

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Penguji Luar Komisi pada Ujian Tesis:

Dr Ir Agus Buono, Msi, MKom

Judul Tesis : Pendugaan Nilai Reflectance Menggunakan Transformasi Fourier
untuk Menentukan Usia dan Kandungan Pigmen Citra Daun Jati
Belanda
Nama
: Dhieka Avrilia Lantana

NIM
: G651120381

Disetujui oleh
Komisi Pembimbing

Dr Yeni Herdiyeni, SSi, MKom
Ketua

Dr Irmanida Batubara, SSi, MSi
Anggota

Diketahui oleh

Ketua Program Studi
Ilmu Komputer

Dekan Sekolah Pascasarjana

Dr Eng Wisnu Ananta Kusuma, ST, MT

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 20 Agustus 2014

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang
dipilih dalam penelitian yang dilaksanakan sejak bulan November 2013 ini ialah
pendugaan nilai reflectance menggunakan Transformasi Fourier untuk
menentukan usia dan kandungan pigmen citra daun Jati Belanda.
Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni, SSi MKom
dan Ibu Dr Irmanida Batubara, SSi MSi selaku pembimbing. Terima kasih juga
diucapkan kepada Bapak Toto Hartanto, SKom MSi selaku dosen mata kuliah
kolokium yang telah banyak memberi saran untuk penelitian ini. Di samping itu,
penghargaan penulis sampaikan kepada Unit Konservasi dan Budidaya Pusat
Studi Biofarmaka LPPM IPB yang telah membantu dalam pengumpulan data.
Ungkapan terima kasih penulis sampaikan kepada ayah, ibu, dan seluruh keluarga

serta Hendra Gunawan atas segala doa dan kasih sayangnya.
Ungkapan terima kasih juga penulis sampaikan pada pengelola
pascasarjana, seluruh dosen dan staf akademik Departemen Ilmu Komputer
Institut Pertanian Bogor, teman-teman angkatan 13.5, angkatan 14 dan mahasiswa
fast track atas dukungannya. Terima kasih kepada teman-teman di Laboratorium
Computational Intelligence Imu Komputer Institut Pertanian Bogor atas kerja
sama dalam melaksanakan penelitian. Semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2014
Dhieka Avrilia Lantana

v

DAFTAR ISI
DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

viii

1 PENDAHULUAN
Latar Belakang
Tujuan Penelitan
Manfaat Penelitian
Ruang Lingkup Penelitian

1
1
2
2
2

2 TINJAUAN PUSTAKA
Jati Belanda (Guazuma Ulmifolia)

RGB
Penyerapan Cahaya oleh Pigmen pada Daun
Reflectance
Transformasi Fourier
Estimasi Spektrum reflectance
Analysis of Variance (ANOVA)
Probabilistic Neural Network
K-fold Cross Validation
Confusion Matrix

3
3
3
4
5
5
5
7
7
8
9

3 METODE PENELITIAN
11
Pengumpulan Data
11
Praproses
12
Estimasi Spektrum Reflectance
14
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat 14
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat 15
Penentuan dataset terbaik sebagai model estimasi
15
Pendugaan Kandungan Pigmen dan Usia Daun
16
Pendugaan Absorbance pada Kandungan Pigmen Daun
16
Pendugaan Usia Daun Tanaman
17
4 HASIL DAN PEMBAHASAN
Estimasi Spektrum reflectance
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Estimasi spektrum reflectance dengan 276 Daun Tanaman Obat
Penentuan Dataset Terbaik Sebagai Model Estimasi
Pendugaan Kandungan Pigmen dan Usia Daun
Pendugaan Absorbance pada Kandungan Pigmen Utama Daun
Pendugaan Usia Daun

18
18
18
19
19
22
22
24

5 SIMPULAN DAN SARAN
Simpulan
Saran

28
28
28

DAFTAR PUSTAKA

29

vi

LAMPIRAN

32

RIWAYAT HIDUP

38

vii

DAFTAR TABEL
1 Model Transformasi Polynomial (Shatilova 2008)
2 Confussion matrix untuk masalah klasifikasi biner
3 Pembagian data latih dan data uji dengan 5-fold cross validation
4 Nilai error dan GFC menggunakan 46 daun tanaman obat
5 Nilai error dan GFC menggunakan 276 daun tanaman obat
6 Analisis Keragaman ANOVA terhadap daya absorbance pigmen utama
daun Jati Belanda
7 Hasil uji lanjutan menggunakan Uji LSD
8 Akurasi hasil identifikasi usia daun dengan 5 fold.
9 Confussion Matrix pendugaan usia daun dengan fold 3
10 Akurasi identifikasi usia daun Jati Belanda

6
9
17
18
19
24
24
25
25
26

DAFTAR GAMBAR
1 Jati Belanda (Guazuma Ulmifolia) (Suhamiati dan Maryani 2003)
2 Representasi dari penggabungan warna (Shatilova 2008)
3 Spektrum absorbance cahaya pada pigmen daun (Rabinowitch 1951)
4 Proses spektrum reflectance yang dihasilkan dari sumber cahaya
5 Arsitektur PNN
6 Tiga-fold cross validation
7 Tahapan penelitian
8 Proses pengambilan nilai reflectance menggunakan spektrofotometer
9 Ilustrasi pengambilan rataaan spektrum reflectance dan RGB pada
dataset-46
10 Proses pengambilan spektrum reflectance dan RGB pada dataset-276
11 Proses pengambilan data
12 Tahap praproses.
13 Bagan alir estimasi nilai reflectance dengan 46 daun tanaman obat
14 Bagan alir estimasi nilai reflectance dengan 276 daun tanaman obat
15 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan 46
daun tanaman obat
16 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
276 daun tanaman obat
17 Hasil pengujian untuk estimasi daun Jati Belanda (a) Nilai error
spektrum rekonstruksi (b) Nilai GFC spektrum rekonstruksi
18 Perbandingan spektrum reflectance rekonstruksi dengan spectrum
reflectance asli daun Jati Belanda
19 Analisis spektrum rekonstruksi daun Jati Belanda dengan gelombang
RGB
20 Spektrum reflectance rekonstruksi daun Jati Belanda usia 1 bulan, 2
bulan dan 3 bulan
21 Spektrum absorbance daun Jati Belanda usia 1,2 dan 3 bulan
22 Perbandingan absorbance pigmen utama daun berdasarkan usia daun
1,2 dan 3 bulan

3
4
4
5
8
9
11
12
13
13
14
14
15
16
18
19
20
21
21
22
22
23

viii

23 Perbandingan spektrum reflectance 2 bulan yang salah klasifikasi
dengan rataan spektrum reflectance 1 bulan dan rataan spektrum
reflectance 3 bulan
24 Perbandingan citra daun Jati Belanda usia 2 bulan yang terklasifikasi
sebagai usia 3 bulan dengan citra daun usia 1 bulan dan 3 bulan. a)
Citra daun usia 1 bulan, b) Citra daun usia 2 bulan, c) Citra daun usia
3 bulan

26

27

DAFTAR LAMPIRAN
1 Data latih 46 daun tanaman obat untuk pembentukan model basis
2 Hasil identifikasi uisa daun Jati Belanda menggunakan fold 3

32
35

1 PENDAHULUAN
Latar Belakang
Tanaman obat banyak digunakan oleh masyarakat secara luas ribuan tahun
lalu karena harganya yang murah dan efek sampingnya yang sedikit (Liang et al.
2004). Pemanfaatan tanaman obat terus mengalami peningkatan sebagai bahan
terapi (Gogtay et al. 2002). Salah satu tanaman obat yang banyak digunakan yaitu
Jati Belanda (Guazuma ulmifolia). Daun Jati Belanda selain digunakan sebagai
pelangsing juga berpotensi sebagai antioksidan. Daun hijau secara umum
mengandung senyawa klorofil dan senyawa karoten yang dapat berfungsi sebagai
antioksidan (Beutner et al. 2001, Ferruzzi et al. 2002). Kandungan senyawa aktif
daun sangat bervariasi bergantung pada beberapa faktor yaitu spesies, varietas,
asal geografis, budidaya, metode pemanenan, proses pasca panen (Singh et al.
2010) dan usia tanaman (Anuradha et al. 2010). Salah satu dari faktor tersebut
yaitu usia tanaman dapat dijadikan penanda mutu dari suatu tanaman obat.
Usia tanaman obat dapat dilihat dari tingkat kecerahan warna daun. Daun
tanaman obat yang berusia muda memiliki warna daun yang lebih terang,
sedangkan daun tanaman obat yang berusia tua memiliki daun berwarna gelap.
Warna daun dapat menentukan spektrum reflectance (Azizah 2013). Reflectance
merupakan sinar yang dipantulkan oleh daun sedangkan absorbance merupakan
sinar yang diserap oleh daun. Jumlah kandungan senyawa aktif pada daun
berpengaruh pada besarnya spektrum reflectance dan absorbance (Skoog et al.
2004). Daun tanaman obat yang berusia muda mengandung sedikit senyawa aktif
sehingga penyerapan sinar matahari menjadi sedikit sedangkan sinar yang
dipantulkan menjadi banyak. Sebaliknya, daun tanaman obat yang berusia tua
memiliki kandungan senyawa aktif yang besar sehingga penyerapan sinar
matahari menjadi banyak sedangkan sinar yang dipantulkan sedikit (Permana
2011). Jumlah kandungan senyawa aktif yang bervariasi tersebut mempengaruhi
stabilitas dan keamanan produk obat sehingga dibutuhkan metode kendali
mutu tanaman obat.
Metode kendali mutu tanaman obat biasanya dilakukan menggunakan uji
laboratorium kimia yaitu analisis sidik jari. Analisis tersebut menggunakan
beberapa teknik kromatografi seperti kromatografi lapis tipis (KLT),
kromatografi cair kinerja tinggi (KCKT) dan kromatografi gas (KG) untuk
mendapatkan kandungan senyawa kimia yang menjadi karakteristik tanaman obat
(Liang et al. 2004). Pengujian mutu menggunakan uji laboratorium tersebut
memiliki akurasi yang sangat tepat namun dianggap kurang baik karena dapat
merusak sampel tanaman obat (destruktif). Selain itu waktu yang diperlukan untuk
proses uji lab sangat lama dan melibatkan banyak laboran (Mao dan Xu 2006).
Untuk mengatasi masalah tersebut dibutuhkan metode lain yang lebih cepat,
sederhana dan memiliki akurasi yang baik yaitu dengan pengolahan citra.
Pengolahan citra yang dilakukan adalah dengan melihat nilai reflectance
yang diambil dari sebuah citra dengan menggunakan kamera berdasarkan nilai
RGB. Pengolahan citra menurut Shatilova (2008) adalah salah satu analisis
sampel yang bersifat tidak merusak (nondestruktif) dengan pendekatan teknik

2
warna. Pengolahan citra yang dilakukan adalah dengan melihat nilai reflectance
yang diambil dari sebuah citra dengan menggunakan kamera berdasarkan nilai
RGB.
Pendugaan spektrum reflectance dari citra tanaman obat menggunakan
metode Wiener Estimation telah berhasil dilakukan oleh Azizah (2013) untuk
menentukan usia tanaman obat. Berdasarkan penelitiannya, rekonstruksi spektrum
reflectance tanaman obat Sambiloto menghasilkan orde 2 sebagai model
transformasi polynomial terbaik dengan data citra 97 standar warna dan 46
tanaman obat sebagai data latih untuk matriks transformasi. Akurasi penentuan
usia daun tanaman obat adalah 73.61%. Pendugaan spektrum reflectance juga
telah dimanfaatkan oleh Chen et al (2013) dengan menggunakan Transformasi
Fourier. Dari hasil penelitiannya, Transformasi
Fourier mampu untuk
memodelkan spektrum reflectance secara umum dan dapat digunakan untuk
berbagai dataset.
Penelitian ini menggunakan metode Transformasi Fourier untuk menduga
spektrum reflectance berdasarkan warna citra digital daun Jati Belanda. Citra
digital yang telah didapat kemudian akan diduga spektrum reflectance-nya. Nilai
reflectance tersebut nantinya akan menjadi fitur untuk menentukan kualitas
tanaman obat berdasarkan usia tanaman.
Tujuan Penelitan
Tujuan penelitian ini adalah menduga spektrum reflectance berdasarkan
warna citra digital menggunakan Transformasi Fourier untuk menentukan usia
dan kandungan pigmen citra daun Jati Belanda.
Manfaat Penelitian
Manfaat penelitian ini adalah untuk membantu masyarakat dalam
mengetahui mutu dari daun Jati Belanda berdasarkan usia sehingga daun tanaman
obat dapat digunakan secara benar dan tepat dengan mutu yang baik.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini antara lain:
1. Pembangunan model estimasi reflectance menggunakan 46 jenis daun
tanaman obat yang terdiri atas 23 daun tanaman obat muda dan 23 daun
tanaman obat tua. Daun tanaman obat didapat dari Unit Konservasi dan
Budidaya Pusat Studi Biofarmaka LPPM IPB.
2. Data citra daun Jati Belanda yang digunakan untuk pengujian adalah data citra
daun dengan usia 1 bulan, 2 bulan dan 3 bulan yang didapat dari Unit
Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB.

3

2 TINJAUAN PUSTAKA
Jati Belanda (Guazuma Ulmifolia)
Jati Belanda merupakan tanaman yang banyak digunakan untuk
pengobatan tradisional (Gambar 1). Jati Belanda berasal dari negara Amerika
Serikat dan juga tumbuh liar di daerah tropis lainnya seperti Indonesia, khususnya
di pulau Jawa dan Madura. Daun Jati Belanda mengandung alkaloid, flavonoid,
saponin, steroid, triterpenoid, dan tanin. Tanaman Jati Belanda biasanya
dimanfaatkan untuk obat pelangsing selain itu tanaman Jati Belanda mempunyai
efek antidiare, astringen dan penurun koleterol (Sulaksana 2005).

Gambar 1 Jati Belanda (Guazuma Ulmifolia) (Suhamiati dan Maryani 2003)
Jati Belanda merupakan tanaman semak atau pohon yang memiliki tinggi
10-20 m. Jati Belanda memiki batang yang keras, bulat, permukaan kasar, beralur
banyak, berkayu, berwarna hijau keputih-putihan. Akar daun Jati Belanda
merupakan akar tunggang dengan warna putih kecokelatan. Daun Jati Belanda
berwarna hijau, berbentuk bulat telur dengan permukaan kasar, tepi bergerigi,
ujung runcing, pangkal berlekuk, pertulangan menyirip, berseling, panjang 4-22.5
cm dan lebar 2-10 cm (Suhamiati dan Maryani 2003).

RGB
RGB adalah suatu model warna yang terdiri dari merah, hijau, dan
biru. Citra RGB merupakan citra digital yang mengandung matriks data berukuran
m x n x 3 yang merepresentasikan warna merah, hijau dan biru untuk setiap
pikselnya. Warna RGB memiliki panjang gelombang 400 nm sampai 700 nm
yang dapat direpresentasikan antara lain (Maroto et al. 2006):
1. Biru = 435.8 nm
2. Hijau = 546.1 nm
3. Merah = 700 nm
Representasi warna RGB dapat dilihat pada Gambar 2. Model RGB disebut
additive karena semua warna spektrum dari 400-700 nm dapat dibentuk dengan
menggabungkan tiga warna primer dalam proporsi yang berbeda (Shatilova 2008).

4

Gambar 2 Representasi dari penggabungan warna (Shatilova 2008)
Penyerapan Cahaya oleh Pigmen pada Daun
Daun memiliki molekul pigmen yang mempunyai karakterisik penyerapan
cahaya masing-masing. Terdapat dua jenis pigmen utama yang terkandung dalam
daun yaitu klorofil dan karotenoid. Senyawa klorofil yang terdapat pada tumbuhan
hijau terbagi menjadi dua yaitu klorofil-a dan klorofil-b. Klorofil berperan penting
dalam proses fotosintesis dan merupakan pigmen utama penyerap cahaya yang
terdapat pada membran tylakoid (Lehninger 2000). Karotenoid merupakan
senyawa yang memberikan warna merah dan jingga pada buah-buahan, ganggang,
mikroorganisme, sayur-sayuran dan kerangka luar hewan crustacea seperti udang.
Karotenoid yang terdapat di alam sangat banyak jumlahnya. Karotenoid juga
berperan penting dalam fotosintesis dan penyerapan oksigen untuk kelangsungan
hidup tanaman (Sanchez et al. 2010).
Penyerapan cahaya oleh tiga pigmen yaitu klorofil-a, klorofil-b dan
karotenoid ditunjukkan pada Gambar 3. Masing-masing spektrum menunjukkan
perbedaan gelombang yang diserap oleh setiap pigmen. Klorofil-a menyerap
cahaya biru-violet dan merah sedangkan klorofil-b menyerap cahaya biru dan
oranye. Klorofil-a dapat menyerap cahaya maksimal dengan panjang gelombang
420 nm dan 660 nm. Sedangkan klorofil-b menyerap maksimal pada panjang
gelombang 453 nm dan 643 nm. Panjang gelombang 467 dan 496 dapat secara
kuat membuktikan adanya keberadaan karotenoid (Rabinowitch 1951).

Gambar 3 Spektrum absorbance cahaya pada pigmen daun (Rabinowitch 1951)

5
Reflectance
Reflectance merupakan sinar yang dipantulkan oleh sebuah objek,
sedangkan absorbance adalah sinar yang diserap oleh sebuah objek yang terdapat
pada panjang gelombang tertentu. Setiap objek yang berbeda mematulkan dan
menyerap panjang gelombang yang berbeda. Satuan spektrum reflectance
dinyatakan dalam Watt/m2 (CRIPS 2001). Proses nilai reflectance yang
dihasilkan dari sumber cahaya dapat dilihat pada Gambar 4.
Sinar datang

Sinar reflectance

Sinar datang

Permukaan halus

Sinar reflectance

Permukaan kasar

Gambar 4 Proses spektrum reflectance yang dihasilkan dari sumber cahaya
Transformasi Fourier
Transformasi Fourier merupakan algoritme untuk mengubah domain waktu
X menjadi domain atau spektrum frekuensi Y, yaitu menguraikan sinyal menjadi
komponen sinusoidal penyusunnya (Bracewell 2000). Transformasi Fourier,
dinamakan sesuai dengan nama penemunya Joseph Fourier, adalah sebuah
transformasi matematika yang banyak diaplikasikan dalam bidang fisika dan
teknik/rekayasa (engineering). Secara umum, transformasi tersebut dilakukan
untuk mengubah sebuah fungsi matematika yang berdasar pada waktu (domain
waktu). Persamaan (1) merupakan nilai Transformasi Fourier ( � ) diskret 1
dimensi sedangkan Persamaan (2) merupakan inverse Transformasi Fourier
(
).
� =

=

−1

( )

=0

−1

(�)

−

2��

(1)

2� �

(2)

�=0

dengan i adalah bilangan imaginer, u adalah peubah frekuensi dan N adalah
jumlah dimensi data.
Estimasi Spektrum reflectance
Transformasi Fourier dalam aplikasi citra RGB digunakan untuk melakukan
estimasi spektrum reflectance citra yang diperoleh dari kamera digital. Pemodelan
linier untuk estimasi spektrum reflectance ditentukan menggunakan Persamaan

6
(3) (Mansouri et al. 2008). Sensitivitas kamera (S) dapat ditentukan melalui
Persamaan (4).
)−1

= (

(3)

dengan:
= Reflectance rekonstruksi
B
= Fungsi basis Fourier
S
= Sensitivitas kamera
d
= matriks RGB dari kamera
(4)

=

dengan d merupakan matriks RGB sedangkan r merupakan matriks spektrum
reflectance. Model transformasi polynomial yang digunakan pada penelitian ini
dapat dilihat pada Tabel 1. Model transformasi polynomial digunakan untuk
memperbanyak nilai input citra yang awalnya hanya berupa nilai Red (R), Green
(G) dan Blue (B) saja menjadi R, G, B, R2, G2, B2, RGB.
Tabel 1 Model Transformasi Polynomial (Shatilova 2008)
Orde
1
2
3

Terms
3
7
10

Model Transformasi Polynomial
RGB
R G B R2 G2 B2 RGB
R G B R2 G2 B2 RG RB GB RGB

Evaluasi hasil estimasi spektrum reflectance dilakukan dengan
menggunakan dua pendekatan yaitu: Goodness-of-Fit Coefficient (GFC) dan rootmean-square-error (RMSE). GFC digunakan untuk melihat kemiripan pola
antara spektrum reflectance rekonstruksi dengan spektrum reflectance asli.
Sedangkan untuk mengukur nilai error spektrum reflectance rekonstruksi dapat
dihitung dengan menggunakan RMSE. Nilai GFC dapat dihitung dengan
menggunakan Persamaan (5) (Mansouri et al. 2008).
(� )

=
(� )

2

1
2

(5)

(� )
(� )

2

1
2

dengan:
Rm(λj) = spektrum original
Rr(λj) = spektrum rekonstruksi
RMSE dapat ditentukan dengan menggunakan persamaan (6). Nilai RMSE dan
GFC digunakan untuk menentukan data latih yang akan digunakan untuk estimasi
nilai reflectance.

7

=

=1(

−

)2

(6)

dengan:
s = spektrum reflectance asli
= spektrum reflectance rekonstruksi
n = banyak channnel spektrum reflectance
Analysis of Variance (ANOVA)
Analysis of Variance (ANOVA) satu arah merupakan suatu metode untuk
menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Teknik tersebut
dapat digunakan untuk menguji kesamaan beberapa nilai tengah secara sekaligus.
Prinsip Uji Anova adalah melakukan analisis variabilitas data menjadi dua sumber
variasi yaitu variasi di dalam kelompok (within) dan variasi antar kelompok
(between). Anova bertujuan untuk menentukan bagaimana kelompok saling
berinteraksi dan mempengaruhi. Anova dapat dibedakan menjadi One Way Anova
dan Two Way Anova (Walpole 1990).
Probabilistic Neural Network
Probabilistic Neural Network (PNN) diusulkan oleh Donald F. Specht pada
tahun 1988 sebagai perbaikan dari backpropagation neural network. PNN
memiliki beberapa kelebihan yaitu pelatihan yang hanya memerlukan satu kali
iterasi dan solusi umumnya diperoleh dengan menggunakan pendekatan Bayesian
(Ramakrishnan 2008). PNN menggunakan radial basis function (RBF). RBF
adalah fungsi berbentuk seperti bel yang menskalakan variabel nonlinear. Salah
satu keuntungan utama dari PNN adalah pelatihannya yang mudah dan cepat,
serta strukturnya yang sederhana (Wu et al. 2007). PNN memiliki 4 lapisan,
yaitu lapisan input, lapisan pola, lapisan penjumlahan dan lapisan keluaran yang
ditunjukkan Gambar 5.
Lapisan penyusun PNN adalah sebagai berikut:
1. Lapisan input (input layer)
Lapisan input merupakan input x yang terdiri atas nilai k yang akan
diklasifikasikan pada salah satu kelas dari n kelas.
2. Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input dan vektor
bobot xAi, yaitu ZA = x. xAi. ZA kemudian dibagi dengan bias (σ) tertentu dan
selanjutnya dimasukkan ke dalam fungsi Parzen, yaitu g(x) = exp (-x). Dengan
demikian, persamaan yang digunakan pada lapisan pola dapat ditentukan dengan
persamaan (7).
= exp

−

2σ2

−

(7)

dengan xAi menyatakan vektor bobot atau vektor latih kelas ke-A urutan ke-i.

8

3. Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan
sehingga menghasilkan population density function untuk setiap kelas. Persamaan
yang digunakan pada lapisan ini persamaan (8).
�
dengan
�
� |
xAi
d
NA
σ

� |

=

1
(2� )2σ 2

=1

�

−

2σ 2

−

(8)

= peluang kelas A
= peluang bersyarat x jika masuk ke dalam kelas A
= vektor latih kelas A urutan ke i
= dimensi vektor input
= jumlah data pelatihan kelas A
= bias atau faktor pemulus

4. Lapisan keluaran (output layer)
Pada lapisan keluar akan diambil nilai maksimum dari peluang kelas masingmasing.
1

t
f1

Kelas 1

f2

1

f3

t

Sum
1

Sum
2

Kelas
keputusan

Kelas 2
fn

1

t

Sum
3

Kelas 1

Gambar 5 Arsitektur PNN

K-fold Cross Validation
K-fold cross validation merupakan salah satu cara yang dapat digunakan
untuk mengevaluasi kinerja pada model klasifikasi (Rao et al. 2008). Cross

9
validation biasanya digunakan untuk mengevaluasi model klasifikasi karena
rendahnya jumlah sampel yang tersedia. Data akan dibagi menjadi dua bagian
yaitu data latih dan data uji. Pembagian data menjadi data latih dan data uji
dengan cross validation membuat penggunaan data menjadi lebih baik untuk
klasifikasi. Data latih digunakan untuk membangun model klasifikasi sedangkan
data uji digunakan untuk menguji kinerja model klasifikasi (Westerhuis et al.
2008).
Pada k-fold cross validation data D dibagi menjadi k bagian (fold) yaitu D1,
D2, . . . . Dk yang sama besar dengan data D. Jika D1 menjadi data uji maka D2
sampai Dk digunakan sebagai data latih. Proses tersebut berlangsung sampai
semua bagian D digunakan sebagai data uji dan data latih (Kohavi 1995). Gambar
6 menunjukkan ilustrasi dari tiga-fold cross validation.
Data

Data latih

Data uji

Data uji
Data uji

Gambar 6 Tiga-fold cross validation
Confusion Matrix
Salah satu metode untuk melakukan pengujian ketelitian hasil klasifikasi
dalam penelitian adalah dengan menggunakan metode confusion matrix.
Confusion matrix memiliki informasi mengenai kelas aktual dan prediksi dari
suatu sistem klasifikasi (Kohavi dan Provost 1998). Kebanyakan teknik klasifikasi
mencari model yang mencapai akurasi paling tinggi atau secara ekuivalen error
yang paling rendah ketika diaplikasikan ke data uji. Tabel 2 adalah confusion
matrix untuk masalah dua kelas, yang diberi label kelas positif (+) dan kelas
negatif (-). Jumlah data yang diklasifikasikan dengan benar adalah jumlah
diagonal dalam matrik, sedangkan yang lainnya adalah yang salah
diklasifikasikan (Srinivasulu et al. 2009).
Tabel 2 Confussion matrix untuk masalah klasifikasi biner

Kelas Aktual

+
-

Kelas prediksi
+
TP
FN
FP
TN

Informasi dalam confusion matrix diperlukan untuk menentukan kinerja
model klasifikasi. Ringkasan informasi ini ke dalam sebuah nilai digunakan untuk
membandingkan kinerja dari model-model yang berbeda. Hal ini dapat dilakukan

10
dengan menggunakan performace metric seperti akurasi yang didefinisikan pada
Persamaan (9) (Srinivasulu et al. 2009).
� � �

=

�+

�+
+

+ �

(9)

dengan:
True positive (TP) = jumlah data kelas positif yang benar diprediksi oleh model
klasifikasi.
False negative (FN) = jumlah data kelas positif yang salah diprediksi sebagai
negatif oleh model klasifikasi.
False positive (FP) = jumlah data kelas negatif yang salah diprediksi sebagai
positif oleh model klasifikasi.
True negative (TN) = jumlah data kelas negatif yang benar diprediksi oleh model
klasifikasi.

11

3 METODE PENELITIAN
Tahapan penelitian yang dilakukan dalam penelitian ini adalah estimasi
nilai reflectance, pendugaan kandungan pigmen daun dan usia daun. Tahapan
penelitian dapat dilihat pada Gambar 7.
Pengumpulan Data
Penelitian ini menggunakan data citra 46 daun tanaman obat yang terdiri
atas 23 daun muda dan 23 daun tua dan 90 daun Jati Belanda yang diambil dari
Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB. Daun yang
telah berusia 1 bulan, 2 bulan dan 3 bulan diambil nilai reflectance-nya dengan
menggunakan alat spektrofotometer yang telah tersambung dengan komputer.
Estimasi nilai reflectance

Pendugaan kandungan pigmen dan usia daun
Data citra
daun

Data citra
daun

Praproses

Praproses

Estimasi nilai reflectance

Dataset-46

Dataset-276

Polynomial

Polynomial

Fourier

Fourier

Evaluasi
menggunakan
RMSE dan
GFC

Evaluasi
menggunakan
RMSE dan
GFC

Estimasi nilai reflectance dengan
basis fourier

Konversi
absorbance

Pendugaan
kandungan
pigmen

K-fold cross
validation

Data latih

Data uji

Klasifikasi
PNN

Evaluasi

Penentuan basis
fourier terbaik

Gambar 7 Tahapan penelitian

12
Spektrofotometer saat ini telah menjadi alat yang banyak digunakan untuk
mengukur data hyperspectral dengan akurasi yang baik (Anglopoulou et al. 2001).
Spektrum reflectance diambil pada bagian bawah tulang daun sebanyak 6 titik.
Proses pengambilan nilai spektrum reflectance dapat dilihat pada Gambar 8.
Terdapat dua dataset yang akan digunakan yaitu dataset-46 dan dataset-276. Pada
dataset-46 keenam titik yang telah diukur spektrum reflectance-nya dirata-ratakan
dan kemudian rataan tersebut digunakan sebagai pemodelan.

Enam titik tempat pengambilan
nilai reflectance

Gambar 8 Proses pengambilan nilai reflectance
menggunakan spektrofotometer
Adapun proses pengumpulan dataset-46 daun tanaman obat dapat dilihat
pada Gambar 9. Pada dataset-276, keenam titik tersebut tidak dirata-ratakan
namun digunakan langsung sebagai pemodelan. Proses pengumpulan dataset-276
dapat dilihat pada Gambar 10. Daun yang telah diukur spektrum reflectance-nya
kemudian diambil citranya menggunakan kamera Canon 8 MP dimana setiap citra
akan diletakkan secara bergantian dalam kotak yang memiliki latar belakang putih.
Gambar 11 menunjukkan proses pengambilan data citra daun. Pencahayaan di
dalam kotak menggunakan lampu tungsten sebesar 15 watt. Jarak pengambilan
citra diatur sebesar 50 cm dan sudut pengambilan gambar 90˚ dari sumber cahaya.
Hal ini dilakukan agar warna pencahayaan yang dihasilkan sama dengan waktu
pengambilan spektrum reflectance menggunakan spektofotometer USB 4000.
Data citra daun yang telah diambil fotonya berukuran 3888 x 2592 piksel. Citra
yang terkumpul sebanyak 46 daun tanaman obat sebagai dataset (Lampiran 1).
Masing-masing jenis daun tanaman obat diambil citranya sebanyak 1 daun. Citra
daun Jati Belanda yang terkumpul sebanyak 600 daun digunakan sebagai data
latih dan data uji.
Praproses
Citra daun tanaman obat yang diperoleh dilakukan praproses, yaitu
dilakukan pemotongan secara manual pada bagian tengah daun sebesar
100x100 piksel. Praproses juga dilakukan pada citra sampel daun Jati Belanda tiap
usianya, yaitu dengan memotong bagian bawah tulang daun dengan ukuran
100x100 piksel. Cropping dilakukan agar wilayah pengambilan nilai RGB sama
dengan pengambilan spektrum reflectance. Setelah dilakukan praproses pada
masing-masing sampel, kemudian diolah citranya untuk didapatkan nilai RGB
dari masing-masing sampel. Tahapan praproses dapat dilihat pada Gambar 12.

13

Daun 1
Keenam titik
reflectance dan RGB
dirata-ratakan

1Reflectance1515
1RGB13

Daun 2
Keenam titik
reflectance dan RGB
dirata-ratakan

46Reflectance515
1Reflectance2515
46RGB3
1RGB23

Daun 46
Keenam titik
reflectance dan RGB
dirata-ratakan

1Reflectance46515
1RGB463

Gambar 9 Ilustrasi pengambilan rataaan spektrum reflectance dan RGB pada
dataset-46
Daun 1

6Reflectance1515
6RGB13

Daun 2

6Reflectance2515
6RGB23

276Reflectance515
6RGB3

Daun 46
6Reflectance46515
6RGB463

Gambar 10 Proses pengambilan spektrum reflectance dan RGB pada dataset-276

14

Gambar 11 Proses pengambilan data

Citra Asli

Daerah crop

Hasil crop

Gambar 12 Tahap praproses.

Estimasi Spektrum Reflectance
Penelitian ini menggunakan metode Transformasi Fourier sebagai metode
estimasi spektrum reflectance. Tahap estimasi spektrum reflectance bertujuan
untuk memperoleh vektor ciri pada suatu citra yang akan digunakan untuk
klasifikasi. Proses estimasi spektrum reflectance yang dilakukan yaitu dengan
mendapatkan basis fourier pada dataset yang telah dikumpulkan. Spektrum
reflectance akan didekomposisi oleh Transformasi Fourier ke dalam komponen
frekuensi dan fase.
Frekuensi dan fase tersebut akan menjadi basis untuk merekonstruksi
reflectance dari citra daun. Penentuan fungsi basis fourier adalah dengan melihat
energi yang terkandung dalam setiap dataset. Energi tersebut dapat menentukan
seberapa besar informasi yang terkandung pada suatu basis. Semakin tinggi energi
yang terdapat pada suatu frekuensi maka akan semakin dominan basis tersebut
dalam suatu spektrum reflectance. Terdapat dua dataset yang digunakan yaitu
dataset-46 dan dataset-276.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Estimasi spektrum reflectance dilakukan dengan mendekomposisi dataset
spektrum 46 daun tanaman obat. Dataset 46 daun tanaman obat terdiri atas 23
daun tanaman obat muda dan 23 daun tanaman obat tua. Hasil dari proses
dekomposisi terhadap dataset akan menghasilkan basis fourier. Basis fourier
tersebut kemudian digunakan untuk merekonstruksi spektrum reflectance dari 10

15
citra daun Jati Belanda menggunakan Persamaan 3. Ilustrasi untuk estimasi
spektrum reflectance dapat dilihat pada Gambar 13.
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Untuk memperkecil kesalahan hasil estimasi spektrum reflectance dapat
dilakukan dengan memperbanyak data pada dataset. Dalam hal ini dataset berupa
23 daun tanaman obat muda dan 23 daun tanaman obat tua diukur spektrum
reflectance dan RGB-nya sebanyak 6 titik. Pengukuran 6 titik tersebut
menghasilkan dataset sebesar 276 spektrum reflectance dan RGB daun tanaman
obat. Penambahan data pada dataset dilakukan agar nilai error dapat menjadi
lebih kecil. Ilustrasi untuk rekonstruksi spektrum reflectance dengan dataset 276
daun tanaman obat dapat dilihat pada Gambar 14.
Penentuan dataset terbaik sebagai model estimasi
Hasil nilai spektrum reflectance rekonstruksi daun Jati Belanda kemudian
dievaluasi nilai error-nya dengan nilai reflectance daun yang sebelumnya diukur
menggunakan spektrofotometer. Selain itu juga dihitung nilai GFC untuk melihat
kemiripan spektrum reflectance rekonstruksi dengan spektrum reflectance asli.
Penentuan dataset sebagai model estimasi dilakukan dengan melihat nilai error
yang paling kecil dan nilai GFC yang paling mendekati 1.

Dekomposisi
dengan FFT

Training set
Rekonstruksi
Reflectance

Evaluasi
menggunakan
RMSE dan GFC
Test set
Polinomial terbaik

Gambar 13 Bagan alir estimasi nilai reflectance
dengan 46 daun tanaman obat

16
Dekomposisi
dengan FFT

Training set

Rekonstruksi
Reflectance

Evaluasi
menggunakan
RMSE dan GFC
Test set
Polinomial terbaik

Gambar 14 Bagan alir estimasi nilai reflectance
dengan 276 daun tanaman obat

Pendugaan Kandungan Pigmen dan Usia Daun
Setelah didapatkan model terbaik untuk estimasi spektrum reflectance,
langkah selanjutnya adalah merekonstruksi seluruh citra daun Jati Belanda usia 1
bulan, 2 bulan dan 3 bulan. Pemilihan daun Jati Belanda hingga usia 3 bulan
dilakukan karena daun Jati belanda baik dikonsumsi pada usia 3 bulan (Noviyanti
2013). Spektrum reflectance rekonstruksi pada daun Jati Belanda usia 1 bulan, 2
bulan dan 3 bulan dapat digunakan untuk menduga kadar senyawa aktif pada daun
Jati Belanda yaitu klorofil-a, klorofil-b dan karoten pada setiap bulannya. Klorofil
dan karoten memegang peranan penting sebagai antioksidan. Selain itu,
reflectance rekonstruksi juga dijadikan penciri untuk menduga usia daun.
Pendugaan Absorbance pada Kandungan Pigmen Daun
Pendugaan kadar klorofil dan karoten pada citra daun Jati Belanda dilihat
berdasarkan nilai absorbance-nya sehingga hasil estimasi spektrum reflectance
harus ditransformasi terlebih dahulu menjadi spektrum absorbance. Transformasi
spektrum reflectance menjadi spektrum absorbance dapat dilakukan dengan
Persamaan 11 (Zainal et al. 2012).
absorbance = Log (1/Reflectance)

(11)

Pendugaan kandungan senyawa aktif dilihat berdasarkan panjang
gelombang senyawa aktif tersebut secara maksimal menyerap cahaya (Mala 2003).
Klorofil-a dapat menyerap cahaya maksimal dengan panjang gelombang 420 nm
dan 660 nm sedangkan klorofil-b menyerap cahaya maksimal pada panjang
gelombang 453 nm dan 643 nm. Karotenoid dapat diduga pada panjang
gelombang 467 nm dan 496 nm (Rabinowitch 1951). Pada penelitian ini,
pendugaan kandungan klorofil-a dilakukan pada panjang gelombang 660 nm

17
sedangkan pendugaan kandungan klorofil-b dilakukan pada panjang gelombang
643 nm. Pendugaan karoten dilakukan pada panjang gelombang 496 nm.
Pendugaan Usia Daun Tanaman
Tahap selanjutnya adalah mengklasifikasikan spektrum reflectance
rekonstruksi dengan PNN. Klasifikasi dilakukan dengan membagi data latih dan
data uji. Pembagian data latih dan uji untuk klasifikasi dengan PNN menggunakan
metode k-fold cross validation. K-fold cross validation digunakan untuk
mengevaluasi dan mengukur kinerja prediksi model klasifikasi. Data akan
dibagi menjadi 2 bagian dengan teknik cross validation. Satu bagian digunakan
sebagai data latih, yaitu untuk membuat parameter model dalam PNN. Bagian
lainnya merupakan test set (data uji) yang digunakan untuk menguji kinerja
model (Westerhuis et al. 2008).
Pada penelitian ini menggunakan nilai k = 5 sehingga disebut 5-fold cross
validation. Pembagian data latih dan data uji dengan 5-fold cross validation
ditunjukkan pada Tabel 3. Data dibagi menjadi 5 subset. Setiap subset digunakan
sebagai data uji dan 4 subset lainnya menjadi data latih. Hasil ekstraksi data latih
digunakan untuk membuat model klasifikasi. Penentuan hasil klasifikasi
ditentukan oleh nilai peluang maksimum yang mengarah ke salah satu usia daun
tanaman. Evaluasi kinerja model klasifikasi didasarkan pada banyaknya data
uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat
dihitung menggunakan akurasi yang didefinisikan oleh Persamaan 9.
Tabel 3 Pembagian data latih dan data uji dengan 5-fold cross validation
Percobaan

Data latih

Data uji

Fold 1

S2, S3, S4, S5

S1

Fold 2

S1, S3, S4, S5

S2

Fold 3

S1, S2, S4, S5

S3

Fold 4

S1, S2, S3, S5

S4

Fold 5

S1, S2, S3, S4

S5

18

4 HASIL DAN PEMBAHASAN
Estimasi Spektrum reflectance
Tahapan paling penting dalam mengestimasi spektrum reflectance yaitu
memilih dataset sebagai training set dan menentukan model transformasi
polynomial terbaik untuk penentuan basis. Terdapat dua dataset yang digunakan
yaitu 46 daun tanaman obat dan 276 daun tanaman obat. Pemilihan dataset dan
model transformasi polynomial ditentukan berdasarkan nilai RMSE dan GFC.
Nilai RMSE dan GFC merupakan parameter penentu kebaikan dari dataset dan
model transformasi polynomial yang akan digunakan untuk estimasi spektrum
reflectance.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Nilai RGB yang telah didapat dari 46 daun tanaman obat dihitung dengan
menggunakan model transformasi polynomial yang ditentukan pada Tabel 1.
Model transformasi polynomial tersebut dilakukan untuk memperbesar nilai RGB
sehingga tidak hanya menggunakan nilai R, G dan B saja. Spektrum reflectance
daun tanaman obat yang diperoleh melalui spektrofotometer didekomposisi
menggunakan Transformasi Fourier sehingga didapatkan matriks basis fourier.
Basis fourier tersebut kemudian digunakan untuk melakukan estimasi nilai
reflectance ( ) terhadap citra daun Jati Belanda dengan menggunakan Persamaan
(3). Spektrum reflectance rekonstruksi untuk daun Jati Belanda usia 3 bulan
dengan menggunakan dataset 46 daun tanaman obat dapat dilihat pada Gambar
15. Nilai error dan GFC dapat dilihat pada Tabel 3.
Tabel 4 Nilai error dan GFC menggunakan 46 daun tanaman obat
Orde 1
9.71
0.85

Reflectance (%)

RMSE
GFC

Orde 2
16.31
0.97

Orde 3
71.38
0.91

500
450
400
350
300
250
200
150
100
50
0

Original
Orde 1
Orde 2
Orde 3
400

500

600

700

Panjang gelombang (nm)

Gambar 15 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
46 daun tanaman obat

19
Berdasarkan hasil pada Tabel 4, penambahan nilai RGB dengan model
transformasi polynomial yang digunakan untuk estimasi spektrum reflectance
daun Jati Belanda tidak mempengaruhi spektrum reflectance rekonstruksi. Model
polynomial terbaik untuk estimasi spektrum reflectance adalah orde 1 dengan nilai
error 9.71 dan nilai GFC sebesar 0.85.
Estimasi spektrum reflectance dengan 276 Daun Tanaman Obat
Dekomposisi basis fourier juga dilakukan pada dataset reflectance 276
daun tanaman obat. Nilai RGB yang telah didapat dari 46 daun tanaman obat
dihitung dengan menggunakan model polynomial yang sudah ditentukan pada
Tabel 1. Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan 276
daun tanaman obat sebagai training set dapat dilihat pada Gambar 16. Tabel 5
menunjukkan nilai error dan GFC yang dihasilkan dengan menggunakan dataset
276 daun tanaman obat. Berdasarkan hasil pengujian pada Tabel 4, nilai error
yang paling baik yaitu menggunakan model transformasi polynomial dengan orde
3. Penambahan nilai RGB dengan menggunakan model transformasi polynomial
ternyata mampu memperkecil nilai error dengan GFC yang cukup baik pada
dataset 276 daun tanaman obat.
Tabel 5 Nilai error dan GFC menggunakan 276 daun tanaman obat
Orde 1
11.33
0.87

Reflectance (%)

RMSE
GFC

Orde 2
6.56
0.96

Orde 3
4.83
0.96

90
80
70
60
50
40
30
20
10
0

Original
Orde 1
Orde 2
Orde 3

400

500

600

700

Panjang Gelombang (nm)

Gambar 16 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
276 daun tanaman obat
Penentuan Dataset Terbaik Sebagai Model Estimasi
Setelah dilakukan pengujian terhadap dataset kemudian akan ditentukan
dataset terbaik sebagai model estimasi spektrum reflectance daun Jati Belanda
dengan mempertimbangkan nilai error dan GFCnya. Gambar 17 menunjukkan
hasil pengujian terhadap masing-masing dataset untuk estimasi daun Jati Belanda.
Berdasarkan Gambar 17a, nilai error terkecil terdapat pada orde 3 dengan dataset

20

RMSE

276 daun tanaman obat. Hal ini disebabkan penambahan dataset yang lebih
banyak dapat memperkecil nilai error. Penggunaan model transformasi
polynomial pada dataset 276 juga dapat memperkecil nilai error. Evaluasi
menggunakan GFC menghasilkan 0.97 sebagai nilai tertinggi yang terdapat pada
dataset 46 dengan orde 2 (Gambar 17b). Tetapi dataset 46 dengan orde 2 tidak
dapat dijadikan sebagai data latih karena memiliki nilai error yang cukup besar.
Oleh karena itu, sebagai data latih untuk penentuan basis dipilih dataset 276
dengan orde 3 karena memiliki GFC 0.96 dengan error yang paling kecil yaitu
4.83. Gambar 18 menunjukkan perbandingan spektrum reflectance rekonstruksi
daun Jati Belanda dengan spektrum reflectance asli menggunakan dataset 276
dengan orde 3.
80
70
60
50
40
30
20
10
0

Orde 1

Orde 2

Orde 3

Dataset 46

9.71

16.31

71.38

Dataset 276

11.33

6.56

4.83

Orde 1

Orde 2

Orde 3

Dataset 46

0.85

0.97

0.91

Dataset 276

0.87

0.96

0.96

(a)
1

GFC

0.8
0.6
0.4
0.2
0

(b)

Gambar 17 Hasil pengujian untuk estimasi daun Jati Belanda (a) Nilai
error spektrum rekonstruksi (b) Nilai GFC spektrum
rekonstruksi

Reflectance (%)

21
90
80
70
60
50
40
30
20
10
0

Original
Rekonstruksi

400

500

600

700

Panjang Gelombang (nm)

Gambar 18 Perbandingan spektrum reflectance rekonstruksi dengan spectrum
reflectance asli daun Jati Belanda

Reflectance (%)

Dari hasil spektrum reflectance rekonstruksi daun Jati Belanda (Gambar 18),
estimasi spektrum reflectance antara panjang gelombang 460 nm – 700 nm
memiliki spektrum reflectance rekonstruksi yang baik. Pada panjang gelombang
410 nm – 450 nm spektrum reflectance rekonstruksi sedikit berbeda dengan
spektrum reflectance asli. Perbedaan hasil spektrum reflectance rekonstruksi
dengan spektrum reflectance asli terjadi pada daerah warna biru atau warna gelap
(Gambar 19). Hal tersebut disebabkan karena citra daun Jati Belanda relatif
berwarna terang sehingga panjang gelombang dengan warna-warna terang relatif
baik dalam estimasi. Selain itu, pada dataset tidak ditemukan informasi warna
pada panjang gelombang 410 nm – 450 nm sehingga kesalahan spektrum
reflectance rekonstruksi pada panjang gelombang tersebut menjadi besar.
90
80
70
60
50
40
30
20
10
0

Original
Rekonstruksi

400

500

600

700

Panjang Gelombang (nm)

Gambar 19 Analisis spektrum rekonstruksi daun Jati Belanda dengan
gelombang RGB

22
Pendugaan Kandungan Pigmen dan Usia Daun
Daun Jati Belanda yang berusia 1, 2 dan 3 bulan direkonstruksi nilai
reflectance-nya menggunakan model terbaik yang telah didapatkan dari tahapan
estimasi reflectance. Gambar 20 menunjukkan spektrum reflectance rekonstruksi
daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan.
Pendugaan Absorbance pada Kandungan Pigmen Utama Daun
Pendugaan kandungan klorofil dan karoten dilihat berdasarkan nilai
absorbance-nya sehingga hasil estimasi spektrum reflectance harus ditransformasi
terlebih dahulu menjadi spektrum absorbance menggunakan Persamaan 11. Hasil
transformasi spektrum reflectance menjadi spektrum absorbance dapat dilihat
pada Gambar 21.
70

reflectance (%)

60
50
40
1 bulan

30

2 bulan

20

3 bulan

10
0
400

500

600

700

Panjang gelombang (nm)

Gambar 20 Spektrum reflectance rekonstruksi daun Jati Belanda usia 1 bulan, 2
bulan dan 3 bulan
1.4
1.2
Absorbance

1

0.8
1 bulan

0.6

2 bulan

0.4

3 bulan

0.2
0
400

500

600

700

Panjang gelombang (nm)

Gambar 21 Spektrum absorbance daun Jati Belanda usia 1,2 dan 3 bulan

23

Absorbance

Spektrum absorbance daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan
memiliki pola yang sama. Hal ini menunjukkan bahwa jenis kandungan senyawa
pada daun Jati Belanda adalah sama, namun yang membedakan adalah jumlah
yang diserap oleh kandungan tersebut (Purnamasari 2013). Penyerapan panjang
gelombang tertentu oleh suatu senyawa kimia ditunjukkan oleh terjadinya puncakpuncak gelombang pada spektrum absorbance. Semakin besar kandungan suatu
senyawa kimia, maka akan semakin besar nilai absorbance-nya atau puncak
gelombang semakin tinggi (Mala 2003).
Gambar 21 menunjukkan puncak gelombang tertinggi berada pada
panjang gelombang 664.03 nm. Hal tersebut menunjukkan bahwa komponen
utama daun Jati Belanda adalah klorofil-a, karena penyerapan cahaya maksimal
oleh klorofil-a yaitu pada panjang gelombang 660 nm (Rabinowitch 1951).
Puncak gelombang selanjutnya terjadi pada 644.87 nm. Puncak gelombang
tersebut menunjukkan adanya serapan yang dilakukan oleh klorofil-b. Klorofil-b
mampu menyerap cahaya maksimal yaitu pada panjang gelombang 643 nm
(Rabinowitch 1951). Pada kondisi normal, proporsi klorofil-a pada daun akan
lebih banyak dari klorofil-b (Suyitno 2008). Puncak gelombang tersebut
menunjukkan adanya serapan yang dilakukan oleh klorofil-b. Klorofil-b mampu
menyerap cahaya maksimal yaitu pada panjang gelombang 643 nm
(Rabinowitch 1951). Puncak gelombang selanjutnya diamati pada panjang
gelombang 494.79 yang menandakan adanya pigmen karoten.
Daya absorbanc