Identifikasi Citra Hama Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network

IDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN
GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI
PROBABILISTIC NEURAL NETWORK

RIZKIA HANNA AMALIA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Citra Hama
Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi
Probabilistic Neural Network adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2013
Rizkia Hanna Amalia
NIM G64090040

ABSTRAK
RIZKIA HANNA AMALIA. Identifikasi Citra Hama Tomat Menggunakan Gray
Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network.
Dibimbing oleh TOTO HARYANTO dan NINA MARYANA.
Serangan hama pada tanaman tomat merupakan salah satu penyebab utama
kegagalan panen. Untuk mengendalikan hama ini diperlukan identifikasi hama
yang dapat dilakukan dengan berbagai cara. Seiring dengan perkembangan
teknologi, identifikasi suatu objek dapat dilakukan menggunakan citra digital.
Pada penelitian ini, Gray Level Co-occurrence Matrix (GLCM) digunakan untuk
mengidentifikasi tiga kelas hama tanaman tomat, yaitu Helicoverpa armigera,
Spodoptera litura dan Chrysodeixis chalcites. Identifikasi hanya dilakukan pada
fase dewasa tiga jenis hama tersebut. Identifikasi menggunakan lima unsur citra
grayscale yaitu energi, homogenitas, kontras, korelasi dan entropi. Teknik
klasifikasi Probabilistic Neural Network (PNN) menghasilkan rata-rata akurasi

sebesar 78.89%.
Kata Kunci: Level Co-occurrence Matrix, hama tomat, identifikasi, Probabilistic
Neural Network

ABSTRACT
RIZKIA HANNA AMALIA. Identification of Tomato Pest using Gray Level Cooccurrence Matrix and Probabilistic Neural Network. Supervised by TOTO
HARYANTO and NINA MARYANA.
Pests cause a major failures in harvesting tomato plants. Identification of
tomato pests can be done in various ways. Nowadays, objects can be performed
by processing digital images. In this research, Gray Level Co-occurrence Matrix
(GLCM) is used to identify three classes of plant pests of tomato, namely
Helicoverpa armigera, Spodoptera litura and Chrysodeixis chalcites. For
identification, only three types of pests in adults phase was used. Identification is
conducted using the five elements of grayscale image: energy, homogeneity,
contrast, correlation and entropy. The identification result using Probabilistic
Neural Network (PNN) produces average accuracy of 78.89%.
Keywords: Level Co-occurrence Matrix, object identification, Probabilistic Neural
Network, tomato pest

IDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN

GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI
PROBABILISTIC NEURAL NETWORK

RIZKIA HANNA AMALIA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Penguji: Dr Imas S. Sitanggang

Judul Skripsi : Identifikasi Citra Hama Tomat Menggunakan Gray Level Cooccurrence Matrix dan Klasifikasi Probabilistic Neural Network
Nama

: Rizkia Hanna Amalia
NIM
: G64090040

Disetujui oleh

Toto Haryanto, SKom MSi
Pembimbing I

Dr Ir Nina Maryana, MSi
Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga tugas akhir ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2012 ini ialah
hama tanaman tomat, dengan judul Identifikasi Citra Hama Tomat Menggunakan
Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network.
Terima kasih penulis ucapkan kepada pihak-pihak yang telah membantu
dalam penyelesaian tugas akhir ini, yaitu:
1 Ayahanda Akhmad Saefudin dan Ibunda Siti Maesaroch serta adik Daffa
Rakha Prayoga yang selalu memberikan kasih sayang, semangat dan doa.
2 Bapak Toto Haryanto, SKom MSi dan Ibu Dr Ir Nina Maryana, MSi selaku
dosen pembimbing yang telah memberikan arahan dan bimbingan kepada
penulis dalam menyelesaikan tugas akhir ini.
3 Ibu Dr Imas S Sitanggang, SSi MKom selaku dosen penguji dalam tugas akhir
ini.
4 Ibu Aisyah dan Bapak Wawan yang telah membantu penulis dalam
menyediakan hama tanaman tomat.
5 Rini Windyastuti, Kak Cut Malisa Irwan dan M. Luthfi Fajar sebagai teman
satu bimbingan yang selalu memberikan masukan dan semangat kepada
penulis.
6 Rekan-rekan di Departemen Ilmu Komputer angkatan 46 atas segala

kebersamaan.
7 Teman-teman kontrakan Luksie Wipriyance, Annisa Noyara Rahmasary dan
Wahyu Retno Savitri.
8 Teman-teman seperjuangan Dina, Niken, Marlisa dan Revita.
Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2013
Rizkia Hanna Amalia

DAFTAR ISI
DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

vii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

2

Pengambilan Data

2

Praproses Citra

4

Ekstraksi Ciri Citra

4

K-fold Cross Validation

5

Model Klasifikasi Citra

6

Pengujian

6

HASIL DAN PEMBAHASAN

7

Pengambilan Data

7

Praproses Citra

7

Ekstraksi Ciri Citra

8

Model Klasifikasi Citra

8

Analisis Kesalahan

10

Pengujian

12

SIMPULAN DAN SARAN

13

Simpulan

13

Saran

13

DAFTAR PUSTAKA

14

LAMPIRAN

16

RIWAYAT HIDUP

24

DAFTAR TABEL
1
2
3
4
5
6
7
8
9

Hasil akurasi (%) klasifikasi pada jarak 1
Hasil akurasi (%) klasifikasi pada jarak 2
Hasil akurasi (%) klasifikasi pada jarak 3
Hasil akurasi (%) klasifikasi pada jarak 4
Hasil akurasi (%) klasifikasi pada jarak 5
Confusion matrix jarak 2 sudut 135° fold 5
Hasil selisih ciri tekstur citra uji dan citra latih fold 5
Confusion matrix pengujian
Hasil selisih ciri tekstur citra uji dan citra latih pengujian

9
9
9
10
10
12
12
13
13

DAFTAR GAMBAR
1
2
3
4
5
6
7

Metode penelitian
Citra hama
Struktur PNN
Tahapan praproses citra
Grafik perbandingan sudut
Sudut GLCM
Perbandingan citra uji dan citra latih S. litura pada fold 5

3
4
7
8
11
11
12

DAFTAR LAMPIRAN
1
2
3

Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera
pada jarak 1
Hasil perbandingan rata-rata citra uji dan citra latih S. litura fold
5
Antarmuka sistem identifikasi citra hama tanaman tomat

16
22
23

PENDAHULUAN
Latar Belakang
Tomat merupakan salah satu jenis sayuran buah yang sangat dikenal oleh
masyarakat. Rasa tomat yang manis segar memberikan kesegaran pada tubuh.
Karena cita rasanya yang khas ini, tomat banyak digemari oleh banyak orang. Cita
rasa dan kelezatan tomat yang khas ini juga dapat menambah cita rasa dan
kelezatan berbagai macam masakan dan minuman (Cahyono 2008). Tanaman
tomat banyak tumbuh di dataran tinggi. Dari data Dirjen Hortikultura Deptan
(2011) setiap tahunnya produktivitas tomat mengalami naik turun. Naik turunnya
produktivitas tomat ini dapat disebabkan oleh berbagai hal, salah satunya serangan
hama dan penyakit. Hama adalah organisme yang merusak tanaman dan secara
ekonomis merugikan manusia (Tjahjadi 1989). Antara (2010) melaporkan adanya
serangan hama tomat yang menyebabkan petani mengalami kerugian 3 juta rupiah
per hektar.
Untuk mengendalikan suatu hama diperlukan berbagai informasi, di
antaranya adalah informasi mengenai hama apa yang menyerang. Saat ini
identifikasi hama umumnya dilakukan secara manual, misalnya dengan merujuk
pada panduan gambar spesimen, spesimen pembanding di laboratorium atau kunci
identifikasi. Teknologi semakin berkembang, salah satunya di bidang pengolahan
citra digital. Pengolahan citra digital adalah pemrosesan citra, khususnya dengan
menggunakan komputer sehingga kualitas citra menjadi baik dan akan
memberikan informasi warna (Hermantoro 2007). Adanya pengolahan citra digital
membantu mempermudah identifikasi hama secara otomatis. Dalam bidang
pengolahan citra digital, citra dapat dianalisis dari warna, tekstur maupun
bentuknya.
Wen dan Guyer (2012) melakukan identifikasi serangga kebun buah
berbasis citra menggunakan global feature extraction yang di dalamnya memuat
ciri tekstur Gray Level Co-occurrence Matrix (GLCM) dengan akurasi 85.3%.
Teknik ekstraksi ciri GLCM juga menghasilkan akurasi yang paling baik yaitu
99% pada citra tekstur Brodatz dibandingkan dengan teknik yang lain seperti
Linear Regression Model, Wavelet dan Gabor (Suresh dan Shunmuganathan
2012). Hartadi (2011) mengidentifikasi potensi kanker payudara pada
mammogram menggunakan ekstraksi ciri GLCM dengan baik. Identifikasi pada
penelitian ini dilakukan dengan mengambil tujuh unsur citra grayscale yaitu
entropi, kontras, energi, homogenitas, korelasi, mean dan standar deviasi dengan
akurasi tertinggi 86%. Penelitian lain yang dilakukan oleh Gasim (2006) untuk
mengidentifikasi jenis kayu berbasis citra menggunakan enam unsur citra
grayscale yaitu entropi, kontras, energi, homogenitas, level dan standar deviasi
menghasilkan akurasi di atas 76%. Teknik ekstraksi ciri GLCM dengan model
klasifikasi Probabilistic Neural Network (PNN) menghasilkan akurasi 78%
dengan hanya menggunakan tiga ciri tekstur GLCM yaitu energi, entropi dan
kontras (Mishra 2013).
Tanaman tomat dapat diserang oleh berbagai hama dari berbagai ordo dan
famili serangga. Ciri dan bentuk berbagai hama tersebut cukup berbeda satu sama
lain sehingga tidak terlalu sulit untuk mengidentifikasinya. Pada tahap awal

2
pengembangan, sistem identifikasi berbasis citra digital ini dipilih tiga jenis hama
saja pada fase dewasa. Fase dewasa ketiga jenis hama berupa ngengat yang
hampir sama namun berbeda pada pola sayap. Hama tersebut berada pada ordo
Lepidoptera, famili Noctuidae yaitu Chrysodeixis chalcites Esper, Spodoptera
litura Fabricius, dan Helicoverpa armigera (Hübner). Penelitian ini mencoba
untuk menghasilkan sistem identifikasi hama tanaman tomat berbasis citra digital
menggunakan teknik ekstraksi ciri GLCM dengan lima ciri tekstur dan teknik
klasifikasi PNN dengan menggunakan tiga jenis hama tomat pada fase dewasa
dalam famili Noctuidae.
Tujuan Penelitian
Tujuan penelitian ini adalah sebagai berikut:
1 Membuat model identifikasi tiga jenis hama tanaman tomat berbasis citra.
2 Membandingkan kinerja GLCM pada sudut dan jarak berbeda.
Manfaat Penelitian
Penelitian ini diharapkan dapat menjadi acuan dalam pengembangan
identifikasi citra otomatis untuk hama lainnya dan selanjutnya dapat dimanfaatkan
oleh berbagai kalangan khususnya dalam penanggulangan hama tomat.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah sebagai berikut:
1 Data penelitian ini ditentukan hanya tiga jenis hama tanaman tomat fase
dewasa yang berada pada famili yang sama dan mempunyai kemiripan.
2 Background yang digunakan pada saat pengambilan citra harus berwarna putih.
3 Posisi hama pada saat pengambilan citra adalah posisi ideal, yaitu posisi hama
direntang.

METODE
Metode penelitian yang digunakan dapat dilihat pada Gambar 1. Tahapan
penelitian ini meliputi pengambilan data, praproses citra, k-fold cross validation,
ekstraksi ciri citra, model klasifikasi PNN dan pengujian.
Pengambilan Data
Data yang diambil adalah tiga jenis hama fase dewasa yang menyerang
tanaman tomat. Ketiga jenis hama pada fase dewasa ini termasuk ke dalam ordo
Lepidoptera, famili Noctuidae yang memiliki bentuk serupa dengan tekstur sayap
hampir mirip seperti terlihat pada Gambar 2. Data diambil menggunakan kamera
digital dengan ukuran citra 2488×2120 piksel. Data penelitian didapat dari
Laboratorium Biosistematika Serangga, Departemen Proteksi Tanaman, Fakultas
Pertanian, Institut Pertanian Bogor.

3

Gambar 1 Metode penelitian

a Chrysodeixis chalcites
Telur C. chalcites berwarna agak putih. Larva berwarna hijau dan biasanya
membentuk kepompong pada bagian bawah daun. Ngengat berwarna gelap dan
terdapat bintik-bintik keemasan berbentuk Y pada sayap depan (Rukmana 1994).
C. chalcites menyerang daun sehingga daun tinggal epidermis atau tinggal tulang
daunnya pada fase larva dan juga menyerang buah tomat (Open 2008).
b Spodoptera litura
Telur S. litura berwarna putih dan berbulu halus seperti diselimuti kain
laken. Saat keluar dari telur, larva berwarna hijau muda kemudian akan berubah
menjadi hitam kecokelatan dan memiliki kalung hitam pada segmen abdomen
yang ke empat dan ke sepuluh. Pupa S. litura berwarna coklat gelap dan terdapat
di dalam tanah. Sayap ngengat di bagian depan berwarna coklat atau keperakan
sedangkan sayap bagian belakang berwarna keputihan-putihan dengan bercak
hitam. Gejala serangan S. litura pada daun ialah terdapat sisa-sisa epidermis
bagian atas dan tulang-tulang daun saja. Gejala serangan pada buah ditandai
dengan timbulnya lubang tidak beraturan pada buah tomat (Setiawati et al. 2001).
c Helicoverpa armigera
Serangan hama H. armigera dapat menyebabkan kerusakan pada buah tomat
sebesar 80% (Uhan dan Suriaatmadja 1993). Telur H. armigera berwarna kuning
muda dan berubah menjadi abu-abu dan hitam ketika akan menetas menjadi larva.
Larva berwarna kekuningan dan akan berubah menjadi kuning, hijau, kemerahan,

4

Gambar 2 Citra hama
atau kecoklatan. Setelah fase pupa, H. armigera mengalami fase dewasa atau
ngengat. Ngengat H. armigera memiliki sayap depan berwarna coklat dengan satu
bintik hitam, sayap belakang memiliki tepi berwarna hitam dan pangkal sayap
berwarna kecoklatan. Hama ini bersifat polifagus. Gejala serangan hama ini yaitu
larva melubangi buah-buah tomat, menyerang pucuk tanaman dan melubangi
cabang-cabang buah tomat (Herlinda 2005).
Praproses Citra
Pada tahap praproses citra hama asli dilakukan cropping secara manual
sehingga background tidak mendominasi. Setelah cropping, setiap citra akan
diubah menjadi grayscale dan difilter menggunakan operator Sobel karena
operator ini mampu mengurangi noise. Operator Sobel merupakan matriks
konvolusi yang meninjau pengaturan piksel di sekitar piksel (x,y):
[

]

Operator Sobel adalah magnitudo dari gradien yang dihitung dengan rumus:
√s s

Turunan parsial dihitung dengan rumus:
s
s
dengan:
c =2
sx = hasil filter sumbu x
sy = hasil filter sumbu y (Gasim 2006).

Ekstraksi Ciri Citra
Pada tahap ekstraksi ciri ini digunakan teknik ekstraksi GLCM. GLCM
adalah matriks derajat keabuan yang merepresentasikan hubungan suatu derajat
keabuan dengan derajat keabuan lain. GLCM merupakan dasar dari teknik tekstur
Haralick, GLCM digunakan untuk analisis pasangan piksel yang bersebelahan
tergantung dengan sudut yang digunakan. Apabila citra yang digunakan adalah
citra biner maka yang digunakan adalah GLCM dua level. Setelah itu matriksnya

5
dinormalisasi dengan menghitung peluang nilai piksel berdekatan dibagi dengan
jumlah semua peluang nilai piksel berdekatan, sehingga hasil penjumlahan piksel
dalam matriks tersebut 1 (Suresh dan Shunmuganathan 2012).
Teknik GLCM mencakup perhitungan kontras, korelasi, energi,
homogenitas, standar deviasi, entropi, dan rata-rata sebagai ciri tekstur. Pada
penelitian ini yang dijadikan ciri tekstur pada GLCM yaitu kontras, energi,
korelasi, homogenitas dan entropi berdasarkan pada hasil penelitian Purnomo
(2009). Purnomo (2009) menyebutkan bahwa kelima ciri tekstur GLCM tersebut
dapat dijadikan variabel untuk pengklasifikasian jenis parket kayu jati. GLCM
yang telah dinormalisasi jumlah elemennya sama dengan 1. Setiap elemen (i,j)
dalam GLCM yang sudah dinormalisasi menunjukkan terjadinya peluang
gabungan pasangan piksel dengan hubungan spasial yang didefinisikan memiliki
tingkat keabuan i dan j pada citra. Misalkan p adalah GLCM yang sudah
dinormalisasi dari masukan tekstur citra (Suresh dan Shunmuganathan 2012).
Kontras mengukur intensitas kontras di antara piksel dan tetangganya dalam
keseluruhan citra dan korelasi mengukur seberapa berkorelasi piksel dengan
tetangganya yang dihitung dengan rumus:
∑| |

∑ ∑

Energi adalah jumlah elemen kuadrat dalam GLCM yang dinormalisasi,
homogenitas adalah nilai yang mengukur kedekatan distribusi elemen dalam
GLCM dengan diagonal GLCM, sedangkan entropi menyatakan tingkat keacakan
tekstur. Ketiganya dihitung dengan rumus:
∑
∑

∑

| |

dengan:
µi = nilai rata-rata baris ke-i matriks p
µj = nilai rata-rata kolom ke-j matriks p
= standar deviasi baris ke-i matriks p
= standar deviasi kolom ke-j matriks p.
K-fold Cross Validation
K- fold cross validation mudah diterapkan dan semua data digunakan untuk
pelatihan dan pengujian. Mekanisme untuk membuat partisi k-fold dari seluruh
data adalah mengulangi sebanyak k kali percobaan dengan menggunakan k-1 fold
untuk pelatihan dan sisanya untuk pengujian. Akurasi didapat dari rata-rata
seluruh k percobaaan (Zhang dan Wu 2011). Pada penelitian ini digunakan k
sebesar 5. Citra latih sebanyak 4/5 dan citra uji sebanyak 1/5 dari jumlah citra.
Citra yang digunakan pada penelitian ini sebanyak 90 citra sehingga setiap

6
percobaan terdapat 72 citra latih dan 18 citra uji sehingga matriks citra latih
berukuran 72×5 dan matriks citra uji berukuran 18×5.
Model Klasifikasi Citra
Citra dibagi menjadi citra uji dan citra latih dengan teknik k- fold cross
validation dan dilakukan klasifikasi menggunakan model PNN. PNN merupakan
teknik klasifikasi dengan empat lapisan yang dapat dilihat pada Gambar 3. PNN
merupakan adaptasi dari back propagation dan Bayes. Lapisan pertama adalah
lapisan masukan (input units) yang terdiri atas matriks hasil ekstraksi ciri citra uji
yang akan diklasifikasikan ke dalam suatu kelas.
Lapisan kedua adalah lapisan pola (pattern units). Pada lapisan ini dihitung
jarak antara vektor hasil ekstraksi citra uji dengan vektor hasil ekstraksi ciri citra
latih di semua kelas kemudian dibagi dengan faktor penghalus, pada penelitian ini
faktor penghalus yang digunakan ialah 0.1. Faktor penghalus merupakan
parameter yang digunakan untuk menghaluskan fungsi kernel, kernel yang dipakai
adalah fungsi Gauss. Hasil perhitungan jarak dibagi faktor penghalus dimasukkan
ke dalam fungsi Parzen yang merupakan prosedur non parametric untuk menduga
Probabalistic Density Function. Lapisan ketiga adalah lapisan penjumlahan
(summation units) semua pola dari masing-masing kelas, pada lapisan ini
digunakan persamaan:
|

∑

dengan :
p(A) = peluang kelas A
p(x|A) = peluang bersyarat x jika masuk ke dalam kelas A
xAi
= vektor data latih kelas A urutan ke-i
d
= dimensi vektor masukan
N
= jumlah pola pelatihan seluruh kelas
NA
= jumlah pola pelatihan pada kelas A

= faktor penghalus
Lapisan terakhir adalah lapisan keluaran (output units). Pada lapisan ini
masukan data uji akan diklasifikasikan ke dalam suatu kelas berdasarkan nilai
peluang tertinggi, Kelebihan PNN adalah pelatihan dalam PNN hanya melibatkan
satu kali iterasi dibandingkan dengan menggunakan pendekatan Bayesian yang
melibatkan lebih dari satu kali iterasi (Specht 1990).
Pengujian
Pada tahap pengujian, citra uji akan diidentifikasi menggunakan hasil
klasifikasi citra latih. Hasil akurasi akhir merupakan akurasi rata-rata dari
keseluruhan fold.

7

Gambar 3 Struktur PNN (Sumber: Specht 1990)
Kelas yang ditentukan ada tiga kelas, yaitu kelas C. chalcites fase dewasa,
S. litura fase dewasa dan H. armigera fase dewasa. Hasil identifikasi akan
dihitung akurasinya menggunakan rumus:
∑

∑

HASIL DAN PEMBAHASAN
Pengambilan Data
Data dibawa ke laboratorium untuk kemudian diambil citranya
menggunakan kamera digital. Citra yang terkumpul sebanyak 90 citra dengan
masing-masing sebanyak 30 citra untuk setiap kelas.
Praproses Citra
Citra yang terkumpul dalam bentuk citra Red Green Blue (RGB) dengan
format fail JPEG. Tahapan praproses yang pertama adalah dilakukan cropping
secara manual sesuai citra sehingga piksel citra berbeda satu dengan yang lainnya.
Citra hasil cropping diubah menjadi citra grayscale. Hasil citra grayscale ini yang
difilter menggunakan operator Sobel. Tahapan praproses citra dapat dilihat pada
Gambar 4.

8

Citra asli

Citra cropping

Citra grayscale

Citra sobel

Gambar 4 Tahapan praproses citra

Ekstraksi Ciri Citra
Hasil citra Sobel tersebut diekstraksi ciri menggunakan GLCM. Matriks
co-occurrence dari setiap citra dibuat berdasarkan sudut dan jarak yang ditentukan.
Sudut yang digunakan yaitu 0, 45, 90 dan 135º dengan jarak 1, 2, 3, 4, dan 5.
Misalkan matriks co-occurrence sudut 0º dengan jarak 1, akan dihitung peluang
nilai-nilai piksel yang berdekatan secara horizontal pada jarak 1 yang berarti tepat
di sebelahnya. Dari hasil matriks yang sudah dinormalisasi dihitung entropi,
energi, korelasi, homogenitas dan kontras. Masing-masing dari citra tersebut
disimpan kelima cirinya untuk dihitung jaraknya pada tahap klasifikasi. Hasil
ekstraksi ciri citra GLCM pada semua citra pada jarak 1 dapat dilihat pada
Lampiran 1. Sebagian besar entropi bernilai 0 di seluruh sudut, ini membuktikan
bahwa entropi tidak terlalu berpengaruh pada citra hama ini karena selalu
menghasilkan angka yang serupa yaitu 0. Entropi mengukur kompleksitas dari
citra yang berarti citra yang entropinya bernilai 0 tidak memiliki tekstur yang acak.
Citra hama pada penelitian memiliki range entropi yang besar antara 0-0.99 yang
menunjukkan citra yang sangat bervariasi dari yang paling teracak hingga citra
konstan. Energi mengukur keseragaman tekstur, semakin mendekati nilai 1 berarti
semakin konstan yang berarti teksturnya seragam. Nilai energi berkisar antara
0.23–0.61, hal tersebut menandakan bahwa citra ketiga hama memiliki range
cukup jauh dalam keseragaman teksturnya (Lampiran 1). Homogenitas mengukur
keseragaman nilai keabuan, nilainya semakin meningkat apabila perbedaan antara
nilai keabuan kecil. Homogenitas pada ketiga citra memiliki nilai berkisar antara
0.81-0.95 yang menandakan nilai keabuan termasuk memiliki perbedaan yang
tidak jauh. Korelasi mengukur abu-abu nada linear dependensi dalam suatu citra.
Nilai korelasi pada ketiga citra hama berkisar antara 0.43-0.88 sedangkan nilai
kontras pada ketiga citra hama berkisar antara 0.13-0.86. Kontras mengukur
frekuensi spasial. Kontras pada ketiga hama memiliki frekuensi spasial dengan
range cukup jauh, dari frekuensi rendah hingga frekuensi cukup tinggi.
Model Klasifikasi Citra
Pembagian citra uji dan citra latih menggunakan k-fold cross validation
dengan fold 5. Total citra sebanyak 90 buah, jadi setiap percobaan terdapat 18
citra uji dan 72 citra latih. Klasifikasi menggunakan PNN berlaku untuk semua
sudut, yaitu 0, 45, 90, dan 135º. Jarak yang digunakan pada penelitian ini yaitu 1,
2, 3, 4, dan 5. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 1 terlihat pada

9
Tabel 1. Rata-rata fold terkecil terdapat pada fold 5 dan terbesar pada fold 4. Nilai
akurasi sama dengan rata-rata fold, nilai akurasi terendah 44.44% terdapat pada
fold 5 dan tertinggi 94.44% pada fold 4. Pada Tabel 1 ini akurasi rata-rata tertinggi
terdapat pada sudut 45°. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 2
terlihat pada Tabel 2. Keseluruhan rata-rata akurasi mengalami peningkatan
kecuali sudut 45 dan rata-rata akurasi tertinggi terdapat pada sudut 135°. Ratarata tiap fold juga meningkat kecuali pada fold 4. Hasil klasifikasi sudut 0, 45, 90,
dan 135º pada jarak 3 terlihat pada Tabel 3. Nilai akurasi rata-rata tertinggi pada
sudut 135º. Pada jarak 3 ini rata-rata akurasi menurun dari jarak sebelumnya
kecuali pada sudut 45. Rata-rata tiap fold juga menurun secara keseluruhan
kecuali pada fold 5. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 4
terlihat pada Tabel 4. Secara keseluruhan rata-rata akurasi menurun daripada jarak
3. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 5 terlihat pada Tabel 5.
Tabel 1 Hasil akurasi (%) klasifikasi pada jarak 1
Sudut (º)
135
90
45
0

1
72.22
72.22
77.78
77.78

2
77.78
77.78
77.78
66.67

Fold
3
88.89
50.00
88.89
66.67

4
94.44
88.89
88.89
94.44

5
44.44
44.44
61.11
55.56

Rata-rata
75.56
66.67
78.89
72.22

Tabel 2 Hasil akurasi (%) klasifikasi pada jarak 2
Sudut (º)
135
90
45
0

1
94.44
88.89
77.78
77.78

2
77.78
77.78
83.33
83.33

Fold
3
83.33
83.33
83.33
66.67

4
88.89
77.78
77.78
88.89

5
50.00
44.44
61.11
50.00

Rata-rata
78.89
74.44
76.67
73.33

Tabel 3 Hasil akurasi (%) klasifikasi pada jarak 3
Sudut (º)
135
90
45
0

1
88.89
88.89
77.78
72.22

2
77.78
72.22
77.78
77.78

Fold
3
77.78
77.78
77.78
61.11

4
83.33
83.33
72.22
83.33

5
55.56
50.00
61.11
50.00

Rata-rata
76.67
74.44
73.33
68.89

10
Tabel 4 Hasil akurasi (%) klasifikasi pada jarak 4
Sudut (º)
135
90
45
0

1
88.89
88.89
77.78
72.22

2
77.78
61.11
77.78
77.78

Fold
3
77.78
72.22
77.78
61.11

4
77.78
72.22
72.22
83.33

5
55.56
50.00
55.56
50.00

Rata-rata
75.56
68.89
72.22
68.89

Tabel 5 Hasil akurasi (%) klasifikasi pada jarak 5
Sudut (º)
135
90
45
0

1
88.89
88.89
77.78
77.78

2
77.78
66.67
77.78
72.22

Fold
3
77.78
72.22
77.78
66.67

4
77.78
72.22
72.22
83.33

5
55.56
44.44
44.44
55.56

Rata-rata
75.56
68.89
70.00
71.11

Rata-rata akurasi tetap pada sudut 135 dan 90º dari jarak 4 (Tabel 5). Ratarata akurasi tertinggi masih terdapat pada sudut 135º. Rata-rata setiap fold Tabel 5,
akurasi mengalami peningkatan pada fold 1 dan 3 daripada jarak 4. Hasil
klasifikasi GLCM berdasarkan jarak tidak mempengaruhi kinerja akurasi, hal ini
membuktikan bahwa peluang nilai keabuan bersebelahan pada jarak tertentu
bervariasi. Semakin bertambahnya jarak tidak membuat akurasi meningkat di
seluruh sudut. Akurasi cenderung naik hingga jarak 2 lalu menurun di jarak 3 dan
seterusnya kecuali pada sudut 45°. Semakin bertambahnya jarak, akurasi rata-rata
sudut 45° semakin menurun. Terlihat dari keseluruhan jarak, sudut yang
menunjukkan akurasi terbesar yaitu sudut 135° yang terlihat pada Gambar 5.
Gambar 5 menunjukkan rata-rata besarnya akurasi setiap sudut di semua jarak.
Secara keseluruhan akurasi rata-rata sudah mencapai lebih dari 70%. Sudut 135º
berarti yang dihitung jaraknya yaitu piksel dengan piksel tetangganya berada di
serong kiri atas seperti pada Gambar 6 yang dilingkari. Hal ini menyatakan bahwa
peluang piksel bertetangga pada diagonal kiri ini memiliki peluang yang tinggi.
Akurasi rata-rata terendah secara keseluruhan terjadi pada sudut 90. Sudut ini
menghitung jarak piksel dengan piksel tetangga yang berada pada sebelah vertikal.
Berarti pada citra ketiga kelas hama sebagian besar peluang nilai keabuan citra
serong dari bidang datar tinggi dan masih banyak background di atas objek citra
sendiri.
Analisis Kesalahan
Hasil identifikasi tiga kelas hama tomat menggunakan ekstraksi ciri GLCM
dan klasifikasi PNN menghasilkan akurasi tertinggi 94.44% sedangkan akurasi
terendah 44.44%. Akurasi rata-rata tertinggi pada semua fold menghasilkan
78.89% pada jarak 1 sudut 45° dan jarak 2 sudut 135.

11

Akurasi (%)

100
80

76.44

70.67

74.22

70.89

90

45

0

60
40
20
0
135

Sudut (°)

Gambar 5 Grafik perbandingan sudut

Gambar 6 Sudut GLCM
Pada sudut 135, 90 dan 0 rata-rata akurasi meningkat sampai pada jarak 2
lalu pada jarak 3 menurun hingga pada jarak 5 kecuali pada sudut 90º. Sudut 45
mengalami penurunan akurasi seiring dengan bertambahnya jarak. Pada akurasi
tertinggi sudut 135º jarak 2 terlihat bahwa akurasi paling kecil yaitu 50% pada
fold 5. Confusion matrix pada fold 5 jarak 2 sudut 135° terlihat pada Tabel 6.
Kelas sl terklasifikasi benar hanya 2, yang lain teridentifikasi masuk ke dalam
kelas cc. Kelas cc terklasifikasi benar sebanyak 3 dan kelas ha hanya dua yang
terklasifikasi salah. Kelas sl merupakan kelas yang paling banyak tidak
terklasifikasikan benar, hal ini disebabkan citra pada kelas ini memiliki
pencahayaan berbeda antara citra uji dan citra latih sehingga nilai kontrasnya
berbeda jauh seperti terlihat pada Gambar 7. Perbedaan nilai lima ciri tekstur pada
citra uji dan citra latih dapat dilihat pada Tabel 7. Kontras mempunyai selisih nilai
paling tinggi di antara empat ciri tekstur lain. Selisih nilai kontras mencapai 0.31.
Rata-rata lima tekstur citra uji dan citra latih S. litura pada fold 5 dapat dilihat
pada Lampiran 2. Kontras adalah perbedaan dari dua warna yang berlawanan.
Pencahayaan pada citra latih lebih jelas daripada citra uji (Gambar 7). Dapat
dilihat sayap citra uji pada Gambar 7 lebih gelap daripada citra latih yang terlihat
terang dan dari selisih Tabel 7 kelima tekstur GLCM kontras memiliki selisih
terbesar antara citra latih dan citra uji. Dilihat dari Tabel 1 sampai Tabel 5, fold 5
memiliki nilai akurasi yang paling rendah hanya berkisar 50% dibandingkan
dengan fold yang lain. Hal ini terjadi karena citra uji dan citra latih berbeda
pencahayaan seperti pada Gambar 7. Oleh karena itu, dalam pengolahan citra
digital sangat perlu diperhatikan pencahayaan dalam proses pengambilan citra.

12

Tabel 6 Confusion matrix jarak 2
sudut 135 fold 5
Kelas
cc
sl
ha

cc
3
4
2

sl
2
2
0

keterangan: cc = Chrysodeixis chalcites
ha = Helicoverpa armigera

ha
1
0
4

sl = Spodoptera litura

Tabel 7 Hasil selisih ciri tekstur citra uji
dan citra latih pengujian
Ciri tekstur
Kontras
Energi
Homogenitas
Korelasi
Entropi

Selisih
0.311866
0.117366
0.045294
0.017655
0.000000

Gambar 7 Perbandingan citra uji dan citra latih
S. litura pada fold 5
Pengujian
Model klasifikasi yang menghasilkan akurasi tertinggi digunakan untuk
citra latih pengujian, yaitu pada sudut 135° jarak 2 fold 1. Oleh karena itu pada
penelitian ini akan digunakan model tersebut untuk pengujian. Adapun antarmuka
sistem identifikasi dengan model dapat dilihat pada Lampiran 3. Citra uji yang
digunakan pada pengujian adalah citra baru yang tidak digunakan pada saat model
klasifikasi. Setiap kelas diuji 6 citra dengan akurasi 61.11%. Hasil confusion

13
matrix pengujian dapat dilihat pada Tabel 8. Kelas sl merupakan kelas yang paling
sedikit teridentifikasi benar, namun secara keseluruhan pengujian kelas lainnya
juga belum cukup teridentifikasi benar. Dari perbandingan citra uji dengan model
klasifikasi citra latih pada kelas sl terlihat yang memiliki selisih paling tinggi
terdapat pada ciri tekstur kontras (Tabel 9). Hal ini sama halnya dengan hasil
perbandingan selisih model klasifikasi bahwa kontras memiliki selisih tertinggi
dibandingkan dengan ciri tekstur lain (Tabel 6).
Tabel 8 Confusion matrix pengujian
Kelas
cc
sl
ha

cc
4
2
1

sl
1
3
1

keterangan: cc = Chrysodeixis chalcites
ha = Helicoverpa armigera

ha
1
1
4

sl = Spodoptera litura

Tabel 9 Hasil selisih ciri tekstur citra uji dan citra latih
fold 5
Ciri tekstur
Kontras
Energi
Homogenitas
Korelasi
Entropi

Selisih
0.154605
0.042503
0.011241
0.149833
0.141037

SIMPULAN DAN SARAN
Simpulan
Model identifikasi hama tanaman tomat menggunakan ekstraksi ciri GLCM
dengan PNN berhasil dilakukan. Akurasi tertinggi yang dihasilkan sebesar
78.89% pada sudut 45° jarak 1 dan sudut 135º jarak 2. Semakin besar jarak yang
digunakan dalam GLCM tidak memberi dampak signifikan terhadap nilai akurasi
karena akurasi di setiap jarak mengalami peningkatan dan penurunan tergantung
sudut yang digunakan. Ciri GLCM entropi tidak terlalu memberi dampak
signifikan terhadap nilai akurasi pada citra hama tanaman tomat dan hampir selalu
menghasilkan nilai 0. Hasil akurasi pengujian menggunakan model klasifikasi
akurasi tertinggi menghasilkan akurasi sebesar 61.11%. Ciri tekstur GLCM
kontras memberi dampak signifikan terhadap akurasi dan kontras mempunyai
selisih cukup tinggi antara citra uji dengan citra latih pada model klasifikasi dan
pengujian.

14
Saran
Diharapkan untuk penelitian selanjutnya dilakukan pembuatan model
identifikasi untuk seluruh hama yang menyerang tanaman tomat. Cropping pada
citra dilakukan secara otomatis dengan memanfaatkan deteksi yang mengambil
nilai terluar atau dengan segmentasi citra agar citra yang diekstraksi tidak
memperhitungkan nilai background. Saat pengambilan citra, pencahayaan harus
diatur agar sama antara citra satu dengan citra lainnya karena hal tersebut sangat
mempengaruhi nilai kontras. Posisi hama saat pengambilan citra tidak hanya pada
posisi ideal. Selain itu dapat juga dikembangkan GLCM yang tidak hanya
memakai satu sudut saja tapi kombinasi beberapa sudut untuk ekstraksi ciri.

DAFTAR PUSTAKA
[Antara] Antara Sulawesi Selatan. 2010. Petani Gowa keluhkan serangan hama
tomat. Antara News Makassar [Internet]. [diunduh 2013 Mei 28]. Tersedia
pada: http://www.antarasulsel.com/print/17114/profil-antara.
Cahyono B. 2008. Tomat, Usaha Tani dan Penanganan Pascapanen. Yogyakarta
(ID): Kanisius.
[Dirjen Hortikultura Deptan] Direktorat Jenderal Hortikultura Departemen
Pertanian. 2011. Produksi tanaman tomat menurut provinsi, 2007-2011.
Kementerian Pertanian Republik Indonesia [Internet]. [diunduh 2012 Nov 10].
Tersedia pada: http://www.deptan.go.id/infoeksekutif/horti/isi_dt5thn_horti.
php.
Gasim. 2006. Jaringan syaraf tiruan untuk pengenalan jenis kayu berbasis citra
[Tesis]. Bogor (ID): Institut Pertanian Bogor.
Hartadi. 2011. Deteksi potensi kanker payudara pada mammogram menggunakan
metode gray level co-occurrence matrix [Skripsi]. Semarang (ID): Universitas
Diponegoro.
Herlinda S. 2005. Bioekologi Helicoverpa armigera (Hübner) (Lepidoptera:
Noctuidae). Agria. 2(1): 32-36.
Hermantoro. 2007. Aplikasi pengolahan citra digital dan jaringan syaraf tiruan
untuk prediksi kadar bahan organik dalam tanah. Di dalam: Wardhani NK et al,
Editor. Prosiding Seminar Inovasi Teknologi dan Kelembagaan Pertanian dan
Upaya Pemberdayaan Masyarakat; 24-25 Agustus 2007; Yogyakarta,
Indonesia. Yogyakarta (ID): BP2TP. hlm 215-221.g
Mishra R. 2013 . Scene image analysis using GLCM and Gabor filter. IJERA.
3(2): 237-241.
[Open] Open Natur. 2008. Tomato looper (Chrysodeixis chalcites Esper)
[Internet]. [diunduh 2013 Juli 27]. Tersedia pada: http://opennatur.com/en_plu
sia_chalcites_chrysodeixis_chalcites_esper.html
Purnomo A. 2009. Aplikasi pemrograman C# untuk analisis tekstur kayu parquet
dengan menggunalan metode grey level co-occurrence matrix. Depok (ID):
Universitas Gunadarma.
Rukmana R. 1994. Bertanam Kubis. Yogyakarta (ID): Kanisius.

15
Setiawati W, Sulastrini I, Gunaeni N. Penerapan Teknologi PHT pada Tanaman
Tomat. Bandung (ID): Balitsa.
Specht DF. 1990. Probabilistic Neural Networks. Neural Network. 3: 109-118.
Suresh A, Shunmuganathan KL. 2012. Image texture classification using Gray
Level Co-occurrence Matrix based statistical features. Euro J Sci Res. 75(4):
591-597.
Tjahjadi N. 1989. Hama dan Penyakit Tanaman. Yogyakarta (ID): Kanisius.
Uhan TS, Suriaatmadja RE. 1993. Pengendalian ulat buah tomat (Helicoverpa
armigera Hubn.) dengan insektisida organophosphate dan pirethroid buatan.
Bul Penel Hort 25(4): 29-34.
Wen C, Guyer D. 2012. Image-based orchard insect automated identification and
classification method. Comp Elec Agr. 89: 110-115.
Zhang Y, Wu L. 2011. Crop classification by Forward Neural Network with
adaptive chaotic Particle Swarm Optimization. Sensors. 11: 4721-4743. doi:
10.3390/s11050472.

16
16

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1
su
dut (°)
0

C. chalcites

S. litura

H. armigera

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

0.00

0.36

0.89

0.33

0.80

0.00

0.32

0.89

0.40

0.84

0.00

0.22

0.92

0.49

0.78

0.00

0.37

0.89

0.33

0.79

0.27

0.21

0.93

0.50

0.88

0.34

0.21

0.93

0.48

0.79

0.00

0.34

0.89

0.32

0.77

0.00

0.19

0.94

0.56

0.81

0.12

0.19

0.95

0.62

0.75

0.00

0.45

0.88

0.35

0.82

0.20

0.21

0.92

0.48

0.83

0.12

0.21

0.93

0.50

0.81

0.00

0.38

0.89

0.33

0.79

0.12

0.26

0.91

0.44

0.84

0.20

0.21

0.93

0.53

0.79

0.00

0.48

0.87

0.29

0.77

0.00

0.22

0.93

0.53

0.82

0.00

0.22

0.93

0.54

0.80

0.00

0.49

0.87

0.30

0.76

0.00

0.20

0.94

0.58

0.83

0.00

0.27

0.91

0.43

0.78

0.00

0.46

0.87

0.30

0.75

0.84

0.16

0.95

0.60

0.84

0.27

0.22

0.92

0.46

0.79

0.00

0.40

0.89

0.32

0.77

0.12

0.19

0.95

0.61

0.83

0.00

0.23

0.93

0.51

0.78

0.00

0.42

0.87

0.30

0.76

0.20

0.23

0.94

0.52

0.78

0.12

0.29

0.91

0.45

0.72

0.00

0.34

0.90

0.41

0.78

0.12

0.31

0.91

0.49

0.80

0.12

0.33

0.89

0.39

0.72

0.27

0.24

0.92

0.42

0.83

0.00

0.23

0.93

0.51

0.83

0.12

0.20

0.93

0.52

0.81

0.00

0.32

0.90

0.36

0.84

0.00

0.28

0.91

0.46

0.82

0.20

0.17

0.94

0.57

0.78

0.00

0.29

0.90

0.34

0.82

0.34

0.23

0.92

0.49

0.80

0.12

0.23

0.91

0.42

0.81

0.00

0.30

0.90

0.36

0.82

0.12

0.20

0.94

0.54

0.84

0.12

0.23

0.92

0.45

0.80

0.00

0.27

0.92

0.41

0.81

0.20

0.15

0.95

0.60

0.86

0.45

0.18

0.94

0.52

0.82

0.00

0.40

0.89

0.33

0.79

0.00

0.19

0.94

0.55

0.87

0.20

0.24

0.92

0.44

0.80

0.00

0.41

0.89

0.31

0.81

0.27

0.20

0.93

0.49

0.89

0.66

0.22

0.94

0.52

0.72

0.20

0.28

0.90

0.39

0.81

0.12

0.27

0.92

0.45

0.84

0.73

0.16

0.94

0.54

0.78

0.00

0.54

0.84

0.25

0.80

0.20

0.27

0.91

0.42

0.85

0.40

0.18

0.94

0.53

0.76

17
Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)
su
dut (°)
0

45

C. chalcites

S. litura

H. armigera

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

0.00

0.54

0.84

0.25

0.80

0.20

0.27

0.91

0.42

0.85

0.40

0.18

0.94

0.53

0.76

0.34

0.24

0.94

0.48

0.76

0.00

0.39

0.89

0.40

0.83

0.00

0.25

0.91

0.42

0.79

0.00

0.33

0.90

0.36

0.81

0.00

0.57

0.84

0.27

0.77

0.12

0.26

0.91

0.44

0.78

0.00

0.50

0.87

0.27

0.79

0.20

0.26

0.92

0.41

0.88

0.12

0.27

0.90

0.38

0.81

0.00

0.36

0.90

0.40

0.80

0.00

0.34

0.90

0.38

0.85

0.12

0.25

0.91

0.42

0.81

0.00

0.30

0.91

0.39

0.84

0.00

0.35

0.89

0.37

0.85

0.27

0.21

0.92

0.42

0.80

0.00

0.37

0.90

0.39

0.81

0.00

0.43

0.89

0.40

0.83

0.40

0.17

0.94

0.51

0.81

0.00

0.34

0.90

0.40

0.81

0.27

0.19

0.93

0.47

0.86

0.12

0.28

0.89

0.34

0.77

0.00

0.40

0.89

0.38

0.81

0.12

0.29

0.90

0.39

0.85

0.20

0.21

0.93

0.51

0.76

0.00

0.33

0.90

0.38

0.82

0.00

0.26

0.93

0.50

0.85

1.00

0.13

0.96

0.61

0.76

0.00

0.34

0.90

0.38

0.81

0.00

0.24

0.93

0.51

0.82

0.63

0.16

0.95

0.56

0.80

0.00

0.51

0.87

0.32

0.71

0.00

0.58

0.86

0.38

0.69

0.00

0.35

0.90

0.47

0.63

0.00

0.53

0.86

0.31

0.69

0.00

0.43

0.90

0.48

0.73

0.20

0.33

0.91

0.46

0.63

0.12

0.45

0.87

0.30

0.68

0.00

0.30

0.93

0.55

0.69

0.00

0.29

0.93

0.60

0.59

0.00

0.70

0.86

0.34

0.70

0.00

0.36

0.90

0.46

0.68

0.00

0.37

0.91

0.48

0.63

0.00

0.51

0.87

0.31

0.71

0.00

0.45

0.88

0.42

0.70

0.00

0.35

0.92

0.51

0.64

0.00

0.64

0.84

0.28

0.68

0.12

0.32

0.92

0.52

0.73

0.00

0.34

0.92

0.52

0.67

0.00

0.69

0.84

0.28

0.66

0.12

0.27

0.93

0.58

0.75

0.00

0.42

0.89

0.40

0.65

0.00

0.59

0.85

0.28

0.67

0.00

0.27

0.93

0.58

0.70

0.00

0.35

0.90

0.44

0.63

0.00

0.50

0.87

0.31

0.70

0.00

0.29

0.94

0.60

0.73

0.00

0.32

0.92

0.50

0.66

17

18
18

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)
su

C. chalcites

S. litura

H. armigera

dut (°)

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

45

0.00

0.57

0.85

0.28

0.67

0.00

0.32

0.92

0.50

0.66

0.00

0.40

0.89

0.44

0.61

0.00

0.48

0.89

0.40

0.68

0.00

0.37

0.91

0.49

0.75

0.00

0.45

0.87

0.37

0.60

0.12

0.40

0.90

0.40

0.70

0.00

0.38

0.91

0.49

0.71

0.00

0.33

0.91

0.50

0.66

0.00

0.57

0.87

0.33

0.70

0.00

0.47

0.88

0.44

0.69

0.34

0.27

0.93

0.55

0.61

0.00

0.45

0.88

0.33

0.71

0.00

0.38

0.89

0.46

0.66

0.00

0.42

0.88

0.39

0.63

0.00

0.50

0.88

0.34

0.69

0.00

0.33

0.92

0.52

0.72

0.00

0.38

0.90

0.43

0.64

0.00

0.43

0.89

0.39

0.69

0.40

0.26

0.94

0.59

0.73

0.00

0.32

0.91

0.49

0.67

0.00

0.55

0.87

0.32

0.71

0.00

0.37

0.92

0.53

0.73

0.00

0.38

0.89

0.41

0.66

0.00

0.65

0.85

0.28

0.69

0.00

0.45

0.90

0.47

0.74

0.20

0.28

0.93

0.51

0.62

0.00

0.50

0.88

0.37

0.63

0.00

0.39

0.90

0.44

0.76

0.73

0.26

0.93

0.53

0.63

0.00

0.85

0.82

0.24

0.67

0.00

0.41

0.89

0.40

0.77

0.54

0.28

0.92

0.50

0.58

0.40

0.34

0.93

0.47

0.62

0.00

0.54

0.88

0.38

0.76

0.00

0.43

0.88

0.39

0.63

0.00

0.50

0.87

0.33

0.70

0.00

0.76

0.82

0.26

0.69

0.00

0.39

0.89

0.41

0.65

0.00

0.75

0.83

0.25

0.68

0.00

0.53

0.88

0.38

0.74

0.00

0.49

0.87

0.35

0.64

0.00

0.52

0.88

0.39

0.70

0.00

0.56

0.87

0.35

0.75

0.00

0.45

0.88

0.39

0.65

0.00

0.49

0.88

0.38

0.73

0.00

0.57

0.86

0.34

0.75

0.00

0.39

0.88

0.38

0.60

0.00

0.54

0.88

0.38

0.71

0.00

0.54

0.88

0.38

0.78

0.12

0.31

0.92

0.49

0.64

0.00

0.48

0.88

0.39

0.73

0.00

0.35

0.91

0.44

0.72

0.00

0.46

0.86

0.31

0.59

0.00

0.62

0.87

0.37

0.71

0.00

0.45

0.88

0.37

0.75

0.00

0.33

0.91

0.48

0.59

0.00

0.47

0.88

0.37

0.74

0.00

0.38

0.91

0.49

0.77

0.93

0.26

0.93

0.57

0.48

19
Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)
su

C. chalcites

S. litura

H. armigera

dut (°)

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

45
90

0.00

0.49

0.88

0.37

0.73

0.00

0.32

0.92

0.50

0.76

0.20

0.28

0.92

0.53

0.63

0.20

0.29

0.90

0.34

0.84

0.12

0.39

0.89

0.40

0.80

0.27

0.22

0.93

0.50

0.78

0.00

0.30

0.90

0.33

0.83

0.00

0.32

0.92

0.50

0.81

0.27

0.25

0.92

0.47

0.73

0.40

0.27

0.90

0.33

0.82

0.45

0.19

0.95

0.57

0.81

0.34

0.16

0.95

0.62

0.80

0.00

0.42

0.89

0.35

0.83

0.20

0.25

0.92

0.48

0.79

0.00

0.27

0.92

0.50

0.74

0.27

0.27

0.90

0.34

0.85

0.00

0.33

0.90

0.44

0.79

0.00

0.24

0.93

0.52

0.77

0.00

0.33

0.88

0.30

0.84

0.40

0.22

0.93

0.53

0.82

0.20

0.22

0.94

0.54

0.79

0.00

0.35

0.88

0.30

0.83

0.40

0.18

0.95

0.59

0.84

0.00

0.30

0.91

0.42

0.76

0.34

0.28

0.89

0.31

0.85

0.12

0.20

0.94

0.58

0.80

0.00

0.27

0.92

0.46

0.73

0.34

0.25

0.91

0.33

0.86

0.27

0.17

0.95

0.61

0.85

0.12

0.23

0.93

0.52

0.77

0.12

0.28

0.89

0.31

0.84

0.40

0.16

0.94

0.53

0.84

0.34

0.21

0.93

0.47

0.81

0.59

0.22

0.93

0.43

0.86

0.27

0.20

0.93

0.51

0.87

0.12

0.26

0.91

0.40

0.78

0.40

0.27

0.92

0.42

0.80

0.12

0.24

0.93

0.51

0.82

0.20

0.24

0.93

0.52

0.77

0.00

0.39

0.89

0.35

0.80

0.00

0.28

0.91

0.46

0.82

0.40

0.19

0.95

0.57

0.75

0.00

0.32

0.90

0.34

0.80

0.12

0.24

0.92

0.48

0.79

0.00

0.31

0.90

0.41

0.74

0.00

0.31

0.91

0.36

0.81

0.40

0.21

0.94

0.54

0.83

0.20

0.26

0.92

0.45

0.76

0.00

0.28

0.91

0.41

0.81

0.12

0.20

0.95

0.60

0.81

0.00

0.25

0.92

0.50

0.75

0.00

0.29

0.90

0.34

0.85

0.00

0.28

0.93

0.54

0.81

0.00

0.30

0.90

0.42

0.74

0.12

0.36

0.88

0.30

0.84

0.00

0.34

0.92

0.48

0.81

0.27

0.18

0.94

0.52

0.78

0.12

0.35

0.91

0.41

0.75

0.00

0.25

0.92

0.45

0.85

0.63

0.21

0.93

0.53

0.72

19

20
20

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)
su

C. chalcites

S. litura

H. armigera

dut (°)

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

90

0.00

0.56

0.86

0.27

0.79

0.00

0.33

0.90

0.41

0.82

0.88

0.19

0.94

0.53

0.72

0.81

0.18

0.95

0.49

0.82

0.00

0.36

0.90

0.40

0.84

0.00

0.31

0.90

0.41

0.74

0.00

0.30

0.90

0.36

0.83

0.20

0.37

0.88

0.30

0.85

0.00

0.29

0.90

0.43

0.76

0.00

0.41

0.87

0.27

0.83

0.00

0.39

0.90

0.40

0.81

0.00

0.41

0.88

0.36

0.72

0.00

0.25

0.92

0.41

0.86

0.00

0.41

0.89

0.37

0.82

0.00

0.35

0.90

0.40

0.73

0.00

0.31

0.91

0.40

0.84

0.00

0.44

0.88

0.36

0.82

0.20

0.31

0.90

0.40

0.70

0.00

0.27

0.91

0.40

0.86

0.00

0.37

0.90

0.40

0.86

0.27

0.23

0.93

0.50

0.75

0.12

0.26

0.91

0.41

0.85

0.12

0.26

0.92

0.46

0.80

0.00

0.36

0.88

0.33

0.69

0.00

0.33

0.90

0.38

0.85

0.00

0.33

0.90

0.39

0.82

0.50

0.19

0.94

0.51

0.78

0.00

0.30

0.91

0.38

0.84

0.00

0.24

0.93

0.50

0.86

0.90

0.21

0.93

0.58

0.61

0.20

0.29

0.91

0.39

0.84

0.54

0.17

0.95

0.53

0.88

0.27

0.19

0.94

0.55

0.77

0.00

0.51

0.87

0.31

0.71

0.00

0.54

0.87

0.38

0.72

0.00

0.33

0.91

0.47

0.65

0.00

0.50

0.87

0.31

0.71

0.00

0.43

0.90

0.48

0.73

0.00

0.37

0.90

0.45

0.58

0.00

0.47

0.87

0.30

0.67

0.00

0.32

0.92

0.55

0.67

0.00

0.27

0.94

0.60

0.62

0.00

0.64

0.86

0.34

0.73

0.12

0.36

0.90

0.46

0.68

0.00

0.37

0.90

0.48

0.62

0.00

0.50

0.87

0.31

0.71

0.00

0.46

0.88

0.42

0.70

0.00

0.36

0.91

0.50

0.63

0.00

0.62

0.85

0.28

0.69

0.00

0.36

0.91

0.51

0.69

0.00

0.36

0.92

0.52

0.65

0.00

0.60

0.85

0.28

0.70

0.00

0.33

0.92

0.57

0.69

0.00

0.45

0.88

0.40

0.62

0.00

0.56

0.85

0.28

0.68

0.00

0.30

0.93

0.57

0.67

0.00

0.39

0.89

0.43

0.59

0.00

0.52

0.87

0.31

0.69

0.00

0.30

0.94

0.60

0.73

0.00

0.38

0.91

0.49

0.60

0.00

0.53

0.86

0.28

0.69

0.20

0.29

0.93

0.51

0.70

0.12

0.38

0.90

0.44

0.62

135

21
Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)
su

C. chalcites

S. litura

H. armigera

dut (°)

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

entropi

kontras

homo
genitas

energi

korelasi

135

0.00

0.42

0.90

0.40

0.72

0.00

0.44

0.90

0.48

0.70

0.00

0.45

0.87

0.37

0.60

0.00

0.42

0.90

0.40

0.68

0.00

0.35

0.91

0.50

0.73

0.00

0.35

0.91

0.50

0.64

0.00

0.54

0.87

0.34

0.72

0.00

0.40

0.89

0.45

0.73

0.00

0.29

0.92

0.55

0.58

0.00

0.48

0.86

0.31

0.69

0.00

0.35

0.90

0.47

0.69

0.00

0.42

0.88

0.39

0.63

0.00

0.45

0.88

0.34

0.71

0.12

0.33

0.92

0.53

0.72

0.00

0.38

0.89

0.43

0.64

0.00

0.42

0.89

0.39

0.69

0.00

0.31

0.94

0.59

0.69

0.00

0.36

0.91

0.49

0.63

0.00

0.55

0.87

0.31

0.71

0.00

0.39

0.92

0.53

0.72

0.00

0.44

0.88

0.40

0.60

0.00

0.58

0.86

0.29

0.72

0.00

0.45

0.90

0.47

0.74

0.00

0.34

0.91

0.49

0.54

0.00

0.51

0.88

0.37

0.62

0.00

0.45

0.89

0.43

0.72

0.34

0.31

0.91

0.51

0.56

0.00

0.87

0.81

0.24

0.67

0.00

0.51

0.88

0.39

0.71

0.34

0.29

0.92

0.50

0.56

0.20

0.35

0.92

0.47

0.61

0.00

0.65

0.87

0.38

0.71

0.00

0.43

0.88

0.39

0.63

0.00

0.48

0.88

0.34

0.71

0.00

0.73

0.82

0.26

0.70

0.00

0.44

0.88

0.41

0.62

0.00

0.68

0.84

0.25

0.71

0.00

0.52

0.88

0.39

0.75

0.00

0.55

0.86

0.34

0.61

0.00

0.45

0.89

0.39

0.74

0.00

0.64

0.86

0.35

0.72

0.00

0.48

0.88

0.39

0.62

0.00

0.46

0.88

0.38

0.75

0.00

0.68

0.85

0.34

0.71

0.12

0.40

0.88

0.38

0.59

0.00

0.47

0.88

0.38

0.75

0.00

0.71

0.86

0.37

0.71

0.12

0.32

0.92

0.48

0.62

0.00

0.47

0.88

0.38

0.73

0.12

0.35

0.91

0.44

0.72

0.00

0.48

0.85

0.31

0.58

0.00

0.53

0.87

0.37

0.75

0.00

0.52

0.87

0.36

0.72

0.20

0.28

0.92

0.50

0.65

0.00

0.51

0.88

0.36

0.72

0.00

0.41

0.91

0.48

0.75

0.90

0.28

0.92

0.56

0.43

0.00

0.50

0.88

0.37

0.72

0.00

0.36

0.92

0.50

0.73

0.00

0.27

0.93

0.54

0.64

21

22
Lampiran 2 Hasil perbandingan rata-rata citra uji dan citra latih S. litura fold 5
Data citra uji

Kontras

Entropi

Homogenitas

Energi

Korelasi

1
2
3
4
5
6
Rata-rata
Data citra latih
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Rata-rata

0.689587
0.788089
1.009197
1.113774
0.823868
0.996505
0.903503
Kontras
1.048885
1.082465
0.478701
0.796563
0.653752
0.533156
0.795319
0.644617
0.432000
0.504025
0.684133
0.517621
0.471277
0.416233
0.440749
0.385554
0.659880
0.494368
0.582260
0.475478
0.450412
0.406738
0.559034
0.686082
0.591638

0
0
0
0
0
0
0
Entropi
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0.861747
0.844920
0.833925
0.780738
0.847337
0.826198
0.832477
Homogenitas
0.819314
0.832195
0.878334
0.835911
0.880724
0.890439
0.835977
0.878028
0.900427
0.873825
0.849601
0.884115
0.902866
0.904741
0.914962
0.899238
0.871031
0.888397
0.864961
0.875736
0.898041
0.917308
0.896113
0.874230
0.877771

0.404126
0.366721
0.356036
0.238523
0.359881
0.327502
0.342132
Energi
0.318952
0.355251
0.415634
0.339839
0.460188
0.476069
0.356941
0.461843
0.527347
0.434377
0.395596
0.488612
0.548615
0.548499
0.579687
0.484485
0.45654
0.480365
0.423624
0.441161
0.505602
0.567724
0.510358
0.450640
0.459498

0.577307
0.551454
0.551800
0.541685
0.602537
0.561753
0.564423
Korelasi
0.550634
0.561413
0.617801
0.568851
0.607504
0.597681
0.582689
0.595985
0.554298
0.555507
0.552107
0.558075
0.559104
0.545537
0.601443
0.601110
0.555361
0.613256
0.610359
0.572081
0.616684
0.590593
0.601469
0.600320
0.582077

23
Lampiran 3 Antarmuka sistem identifikasi citra hama tanaman tomat

24

RIWAYAT HIDUP
Penulis dilahirkan di Kebumen pada tanggal 11 Januari 1992 dari ayah
Akhmad Saefudin dan ibu Siti Maesaroch. Penulis adalah putri pertama dari dua
bersaudara. Pada tahun 2009, penulis lulus dari SMA Negeri 1 Purwokerto dan
pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)
melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan, penulis pernah menjadi asisten prakti