I-PEDIA: Aplikasi Mobile untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan Probabilistic Neural Network
I-PEDIA: APLIKASI MOBILE UNTUK IDENTIFIKASI
PENYAKIT TANAMAN PADI DENGAN FUZZY ENTROPY
DAN PROBABILISTIC NEURAL NETWORK
KHOLIS
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 I-PEDIA: Aplikasi
Mobile untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan
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, Agustus 2013
Kholis
NIM G64080024
ABSTRAK
KHOLIS. I-PEDIA: Aplikasi Mobile untuk Identifikasi Penyakit Tanaman Padi
dengan Fuzzy Entropy dan Probabilistic Neural Network. Dibimbing oleh YENI
HERDIYENI.
Penelitian ini mengembangkan sistem identifikasi penyakit tanaman padi
dengan ekstraksi fitur fuzzy entropy dan klasifikasi probabilistic neural network
(PNN) yang berjalan di mobile. Penyakit tanaman padi merupakan salah satu
kendala dalam peningkatan produksi padi. Fuzzy entropy digunakan untuk
mengekstraksi fitur citra. PNN digunakan karena memiliki waktu pelatihan yang
cepat. Data latih dan data uji dibagi dengan k-fold cross validation dengan nilai k
sama dengan 5. Sebelum data latih dan data uji diekstraksi, citra ditingkatkan
kekontrasannya menggunakan filter Laplacian. Akurasi identifikasi penyakit padi
tanpa filter Laplacian sebesar 91.46% dan akurasi identifikasi penyakit padi
dengan filter Laplacian sebesar 90.55%.
Kata kunci: fuzzy entropy, probabilistic neural network, penyakit tanaman padi,
k-fold cross validation
ABSTRACT
KHOLIS. I-PEDIA: Mobile Application for Paddy Plant Disease Identification
using Fuzzy Entropy and Probabilistic Neural Network. Supervised by YENI
HERDIYENI.
This research developed a mobile application for paddy plant disease
identification system using fuzzy entropy and classifier probabilistic neural
network (PNN) that runs on mobile. Paddy plant diseases is one of the problems
on increasing paddy production. Fuzzy entropy is used for image feature
extraction. PNN is used because training PNN is fast. Training data and testing
data divided by k-fold cross validation with a k value of 5. Before training data
and testing data are extracted, the images are enhanced using the Laplacian filter.
The accuracy of paddy diseases identification without the Laplacian filter is
91.46% while accuracy of paddy diseases identification using the Laplacian filter
is 90.55%.
Key words: fuzzy entropy, probabilistic neural network, paddy plant disease,
k-fold cross validation
I-PEDIA: APLIKASI MOBILE UNTUK IDENTIFIKASI
PENYAKIT TANAMAN PADI DENGAN FUZZY ENTROPY
DAN PROBABILISTIC NEURAL NETWORK
KHOLIS
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:
1 Mushthofa, MSc
2 Aziz Kustiyo, MKom
Judul Skripsi : I-PEDIA: Aplikasi Mobile untuk Identifikasi Penyakit Tanaman
Padi dengan Fuzzy Entropy dan Probabilistic Neural Network
Nama
: Kholis
NIM
: G64080024
Disetujui oleh
Dr Yeni Herdiyeni, SSi MKom
Pembimbing
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 skripsi yang berjudul I-PEDIA: Aplikasi Mobile
untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan
Probabilistic Neural Network ini berhasil diselesaikan. Penelitian ini dilaksanakan
sejak bulan November 2012 sampai dengan Juni 2013, bertempat di Departemen
Ilmu Komputer IPB.
Penulis juga menyampaikan ucapan terima kasih kepada:
1 Ibu Dr Yeni Herdiyeni, SSi MKom selaku dosen pembimbing yang telah
memberikan arahan dan bimbingan dengan sabar kepada penulis dalam
menyelesaikan skripsi ini.
2 Ayah, Ibu, dan adik tercinta, Harjono dan Vita yang tidak henti-hentinya
memberikan doa, kasih sayang, dan dukungan kepada penulis.
3 Bapak Mushthofa, MSc dan Bapak Aziz Kustiyo, MKom selaku dosen
penguji.
4 Dosen-dosen di Departemen Ilmu Komputer yang telah memberikan ilmu
kepada penulis.
5 Teman-teman satu bimbingan kak Desta, kak Dedi, kak Trio, kak Muchlis,
kak Auzi, kak Ardiansyah, mbak Ismi, mbak Yunda, kak Ngakan, kak
Yusrizal, Mega, Doddy, Nurul, Ikhsan, Faradina atas saran, masukan dan
nasihat yang diberikan kepada penulis.
6 Teman-teman di Departemen Ilmu Komputer IPB angkatan 45 dan 46 atas
segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada
penulis.
7 Teman-teman di Ikatan Keluarga Mahasiswa Pati atas segala kebersamaan,
bantuan, dan motivasi yang telah diberikan kepada penulis.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam
skripsi ini. Penulis berharap adanya saran dan kritik yang membangun dari semua
pihak yang membaca skripsi ini. Semoga skripsi ini bermanfaat dan dapat
menambah wawasan ilmu pengetahuan.
Bogor, Agustus 2013
Kholis
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Penyakit Tanaman Padi
2
Fuzzy Entropy Citra
4
Laplacian
5
Confusion Matrix
6
Probabilistic Neural Network
6
METODE
Data Citra Daun Padi
8
8
Praproses
10
Pembagian Data
10
Ekstraksi Fitur dengan Fuzzy Entropy
11
Klasifikasi dengan PNN
11
Evaluasi
12
Perangkat Keras dan Perangkat Lunak
12
HASIL DAN PEMBAHASAN
12
Hasil Ekstraksi Fitur dengan Fuzzy Entropy
12
Identifikasi Penyakit
13
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
LAMPIRAN
17
RIWAYAT HIDUP
25
DAFTAR TABEL
1
2
3
4
5
6
Confusion matrix
Pembagian data latih dan data uji dengan 5-fold cross validation
Pembagian data latih
Pembagian data uji
Confusion matrix hasil identifikasi penyakit tanpa filter Laplacian
Confusion matrix hasil identifikasi penyakit dengan filter Laplacian
6
10
10
11
13
14
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Penyakit brown spot
Penyakit leaf blast
Penyakit tungro
Penyakit hawar daun bakteri
Membership function
Matriks konvolusi
4-fold cross validation
Struktur PNN
Metode penelitian
Tahapan praproses
Nilai membership function setiap piksel.
Citra hasil praproses
Akurasi hasil identifikasi penyakit tanpa filter Laplacian
Akurasi hasil identifikasi penyakit dengan filter Laplacian
2
3
3
4
4
6
7
8
9
10
11
13
14
15
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
13
Contoh citra daun tanaman padi untuk masing-masing kelas penyakit
Contoh citra daun padi yang di-crop
Frekuensi kemunculan piksel (a); peluang kemunculan setiap piksel (b)
Peluang piksel gelap (a); peluang piksel terang (b)
Nilai fuzzy entropy piksel gelap (a); nilai fuzzy entropy piksel terang (b)
Nilai fuzzy entropy setiap piksel (a); nilai fuzzy entropy yang
dinormalisasi (b)
Rata-rata fuzzy entropy setiap piksel citra brown spot: tanpa filter
Laplacian (a); dengan filter Laplacian (b)
Rata-rata fuzzy entropy setiap piksel citra leaf blast: tanpa filter
Laplacian (a); dengan filter Laplacian (b)
Rata-rata fuzzy entropy setiap piksel citra tungro: tanpa filter Laplacian
(a); dengan filter Laplacian (b)
Rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri: tanpa
filter Laplacian (a); dengan filter Laplacian (b)
Screenshoot sistem I-PEDIA
Citra penyakit tungro yang teridentifikasi sebagai penyakit hawar daun
bakteri
Citra penyakit hawar daun bakteri yang teridentifikasi sebagai penyakit
tungro
17
18
19
19
19
20
20
20
21
21
22
23
24
PENDAHULUAN
Latar Belakang
Padi merupakan tanaman pangan bagi penduduk Indonesia. Produksi padi
harus ditingkatkan karena jumlah penduduk yang semakin meningkat setiap
tahunnya. Hama dan penyakit merupakan salah satu kendala dalam peningkatan
produksi padi. Luas serangan hama dan penyakit di Indonesia dari bulan Oktober
2011 sampai bulan Maret 2012 adalah penggerek batang padi 57 875 ha, wereng
batang coklat 11 351 ha, tikus 54 300 ha, tungro 4 994 ha, leaf blast 31 383 ha,
dan hawar daun bakteri 43 719 ha (DJTP 2012). Sedangkan jumlah petugas
pengendali organisme pengganggu tanaman-pengamat hama penyakit tanaman
(POPT-PHP) 3 183 orang yang tersebar di 33 provinsi (DJTP 2010). Jumlah
petugas POPT-PHP tersebut belum mencapai kondisi ideal yaitu 1 orang petugas
POPT-PHP di setiap kecamatan yang berjumlah 6 543 kecamatan, sehingga
proses pengendalian hama dan penyakit terlambat dilakukan. Dari masalah ini,
timbullah ide untuk mengembangkan sistem untuk mengidentifikasi penyakit
tanaman padi dengan cepat yang berjalan di mobile.
Rajan (2012) membandingkan metode local entropy threshold dan otsu
threshold pada tahapan segmentasi citra dengan metode klasifikasi forwardchaining untuk mengidentifikasi penyakit tanaman padi. Berdasarkan
penelitiannya, local entropy threshold menghasilkan akurasi sebesar 94.7%,
sedangkan otsu threshold menghasilkan akurasi sebesar 61.2%. Irfansyah (2011)
melakukan perbandingan kinerja k-nearest neighbors (k-NN) dengan jaringan
syaraf tiruan self organizing maps (SOM) menggunakan ekstraksi fitur fast fourier
transform untuk mengidentifikasi penyakit tanaman padi dan anthurium. K-NN
menghasilkan akurasi sebesar 76% dan SOM menghasilkan akurasi sebesar 62%.
Kurniawan (2013) melakukan identifikasi penyakit tanaman padi dan anthurium
dengan ekstraksi tekstur local binary pattern variance (LBPV) dan metode
klasifikasi probabilistic neural network, akurasi yang dihasilkan sebesar 85.71%
untuk LBPV operator (8, 1) dan (16, 2). Tao et al. (2007) melakukan segmentasi
citra infrared menggunakan fuzzy entropy dan membandingkan kinerja genetic
algorithm (GA) dan ant colony optimization (ACO) untuk menentukan nilai fuzzy
entropy yang optimal. Nilai threshold T yang digunakan untuk segmentasi
ditentukan berdasarkan nilai fuzzy entropy yang optimal dengan µ(T) = 0.5.
Kinerja ACO lebih efektif daripada GA.
Pada penelitian ini akan digunakan ekstraksi fitur fuzzy entropy dan metode
klasifikasi probabilistic neural network (PNN) untuk mengidentifikasi penyakit
tanaman padi. Ekstraksi fitur fuzzy entropy digunakan untuk menentukan pola
citra yang akan digunakan untuk klasifikasi menggunakan PNN.
Tujuan Penelitian
1
2
Tujuan penelitian ini adalah:
Mengidentifikasi penyakit tanaman padi dengan fuzzy entropy dan
probabilistic neural network.
Membuat aplikasi mobile untuk mengidentifikasi penyakit tanaman padi.
2
Manfaat Penelitian
Manfaat penelitian ini adalah memudahkan petugas POPT-PHP untuk
mengidentifikasi penyakit tanaman padi dengan cepat.
Ruang Lingkup Penelitian
1
2
3
4
Ruang lingkup penelitian ini adalah:
Data citra yang digunakan adalah citra daun padi yang diperoleh dari
persawahan desa Laladon Bogor, Jawa Barat, Indonesia.
Citra daun yang digunakan berupa helai daun yang terkena penyakit.
Jenis penyakit yang akan diidentifikasi terdiri atas penyakit leaf blast, brown
spot, tungro dan hawar daun bakteri.
Menggunakan sistem operasi Android dalam pembuatan aplikasi mobile.
TINJAUAN PUSTAKA
Penyakit Tanaman Padi
Bercak Coklat (Brown Spot)
Penyakit brown spot disebabkan oleh jamur Helminthosporium oryzae.
Penyakit ini dapat menyebabkan kematian tanaman muda dan menurunkan
kualitas gabah. Gejala yang paling umum dari penyakit ini adalah bercak
berwarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada
permukaan daun, pada pelepah atau pada gabah (Gambar 1). Patogen penyakit
bersifat terbawa benih (seed borne), sehingga dalam keadaan yang cocok,
penyakit dapat berkembang pada tanaman yang masih sangat muda (Syam et al.
2003).
Gambar 1 Penyakit brown spot
Blas (Leaf Blast)
Penyakit leaf blast disebabkan oleh jamur patogen Pyricularia grisea.
Penyakit leaf blast menginfeksi tanaman padi pada setiap fase pertumbuhan.
Gejala khas pada daun yaitu bercak berbentuk belah ketupat, lebar di tengah dan
meruncing di kedua ujungnya (Gambar 2). Ukuran bercak kira-kira 1-1.5 × 0.30.5 cm berkembang menjadi berwarna abu-abu pada bagian tengahnya. Bercak
penyakit leaf blast sulit dibedakan dengan gejala penyakit bercak coklat
Helminthosporium.
3
Selain daun yang terinfeksi, penyakit leaf blast dapat juga menginfeksi pada
ruas batang dan leher malai yang disebut blas leher (neck blast). Leher malai yang
terinfeksi berubah menjadi kehitam-hitaman dan patah, mirip gejala beluk oleh
penggerek batang. Apabila blas leher terjadi, hanya sedikit malai yang berisi atau
bahkan hampa. Tanaman padi mudah terinfeksi penyakit leaf blast ketika
pemupukan nitrogen dalam takaran tinggi dan cuaca yang lembab, terutama di
musim hujan (Syam et al. 2003).
Gambar 2 Penyakit leaf blast
Tungro
Penyakit ini ditularkan oleh wereng hijau. Tanaman yang terinfeksi tumbuh
kerdil dengan anakan sedikit. Daun mengalami perubahan warna dari hijau
menjadi sedikit kuning sampai kuning oranye dan kuning coklat dari ujung daun,
terutama pada daun muda (Gambar 3). Malai menjadi kecil, steril, dan tidak
sempurna. Tanaman yang terinfeksi biasanya hidup hingga fase pemasakan. Fase
pertumbuhan tanaman yang paling rentan terserang penyakit ini pada saat
pembibitan sampai munculnya padi. Kehilangan hasil dapat mencapai 68% ketika
tanaman yang terinfeksi baru berumur 10 sampai 20 hari setelah sebar, 30% jika
tanaman yang terinfeksi sudah berumur antara 40 sampai 50 hari setelah sebar dan
5% jika tanaman sudah berumur 70 sampai 80 hari setelah sebar (Syam et al.
2003).
Gambar 3 Penyakit tungro
Hawar Daun Bakteri (Bacterial Leaf Blight)
Penyakit hawar daun bakteri (HDB) disebabkan oleh Xanthomonas
campestris pv. oryzae. Gejala penyakit berupa bercak berwarna kuning sampai
putih berawal dari terbentuknya garis lebam berair pada bagian tepi daun (Gambar
4). Bercak dapat menyebar dari salah satu atau kedua tepi daun yang rusak, dan
berkembang hingga menutupi seluruh helai daun. Pada varietas yang rentan,
bercak dapat mencapai pangkal daun sampai ke pelepah daun.
Infeksi pada pembibitan menyebabkan bibit menjadi kering. Bakteri
menginfeksi masuk sistem vaskular tanaman padi pada saat tanam pindah atau
sewaktu dicabut dari tempat pembibitan dan akarnya rusak, atau sewaktu terjadi
kerusakan daun. Apabila sel bakteri masuk menginfeksi tanaman padi melalui
4
akar dan pangkal batang, tanaman bisa menunjukkan gejala kresek. Seluruh daun
dan bagian tanaman lainnya menjadi kering. Infeksi dapat terjadi dari fase
persemaian sampai awal fase pembentukan anakan. Sumber infeksi dapat berasal
dari jerami yang terinfeksi, tunggul jerami, singgang dari tanaman yang terinfeksi,
benih, dan gulma inang. Sel-sel bakteri membentuk butir-butir embun pada waktu
pagi hari yang mengeras dan melekat pada permukaan daun (Syam et al. 2003).
Gambar 4 Penyakit hawar daun bakteri
Fuzzy Entropy Citra
Fuzzy entropy pertama kali dikenalkan oleh Luca dan Termini pada tahun
1972 (Tao et al. 2007). Fuzzy entropy banyak digunakan untuk segmentasi citra,
akan tetapi pada penelitian ini fuzzy entropy digunakan untuk ekstraksi fitur citra.
Misalkan D = {(i, j) : i = 0, 1, …, M-1; j = 0, 1, …, N-1}, dengan M dan N
merupakan ukuran piksel suatu citra, Dk = {(x, y) : I(x, y) = k, (x, y) D}, I(x, y)
merupakan nilai gray level citra pada piksel (x, y) dan k = 0, 1, …, 255. I(x, y)
dibagi menjadi dua kelas yaitu kelas piksel gelap dan piksel terang. Setiap piksel
memiliki nilai membership function µ d (piksel gelap) dan µ b (piksel terang)
(Gambar 5). µ d dan µ b ditentukan menggunakan Persamaan 1 dan 2 dengan tiga
parameter a, b, c dengan
a
255 (Tao et al. 2007).
Gambar 5 Membership function
a
a
a
2
a
2
a
a
5
a
a
a
2
a
a
2
2
a
Nilai fuzzy entropy (H) setiap piksel citra ditentukan dengan Persamaan 10.
la
l
5
255
255
Dengan
: Nilai fuzzy entropy untuk piksel gelap ke-k pada citra
: Nilai fuzzy entropy untuk piksel terang ke-k pada citra
: Peluang kemunculan piksel gelap ke-k pada citra
: Peluang kemunculan piksel terang ke-k pada citra
: Peluang kemunculan piksel ke-k pada citra
Filter Laplacian
Filter Laplacian merupakan salah satu metode yang digunakan untuk
meningkatkan kekontrasan citra. Laplacian suatu fungsi citra f(x, y) merupakan
penjumlahan dari turunan kedua fungsi f(x, y) terhadap x dan turunan kedua fungsi
f(x, y) terhadap y yang didefinisikan pada Persamaan 15. Deteksi tepi citra
6
dihasilkan dari konvolusi matriks citra dengan matriks konvolusi (Gambar 6) dan
citra yang ditingkatkan kekontrasannya dihasilkan dari pengurangan matriks citra
dengan matriks citra yang telah dideteksi tepinya (Persamaan 13) (Gonzalez dan
Woods 2001).
2
2
2
2
2
2
,
2
,
2
,
2
2
,
2
2
,
2
,
,
,
,
-
,
,
,
2
,
5
0 1 0
1 -4 1
0 1 0
Gambar 6 Matriks konvolusi
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris
data yang diuji yang diprediksi benar dan salah oleh model klasifikasi, hal ini
bertujuan untuk menentukan kinerja dari suatu model klasifikasi yang digunakan
(Tan et al 2006). Tabel 1 memperlihatkan tabel confusion matrix.
F00 merupakan jumlah data kelas 0 yang diklasifikasikan sebagai kelas 0,
F01 merupakan jumlah data kelas 0 yang diklasifikasikan sebagai kelas 1, F10
merupakan jumlah data kelas 1 yang diklasifikasikan sebagai kelas 0, F11
merupakan jumlah data kelas 1 yang diklasifikasikan sebagai kelas 1.
Tabel 1 Confusion matrix
Assign Class
Class 0 Class 1
Class 0
F00
F01
True Class
Class 1
F10
F11
7
K-fold Cross Validation
Metode k-fold cross validation membagi data menjadi k bagian. Sebanyak k1 bagian digunakan untuk data latih dan 1 bagian digunakan untuk data uji
(Gutierrez-Osuna 2002). Gambar 7 memperlihatkan pembagian data menjadi 4
bagian.
Gambar 7 4-fold cross validation
Probabilistic Neural Network
Probabilistic neural network (PNN) merupakan jaringan syaraf tiruan yang
dibangun berdasarkan kaidah keputusan Bayes dan dikembangkan oleh Donald F
Specht pada tahun 1988. PNN menggunakan radial basis function (RBF). RBF
adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear
(Wu et al 2007). Keuntungan menggunakan PNN adalah proses pelatihan data
lebih mudah dan lebih cepat. Bobot bukan merupakan hasil pelatihan melainkan
nilai yang akan menjadi masukan. PNN terdiri atas 4 lapisan, yaitu lapisan
masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN
ditunjukkan pada Gambar 8. Lapisan yang menyusun PNN adalah sebagai berikut:
1 Lapisan masukan
Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan
diklasifikasikan pada salah satu kelas dari n kelas.
2 Lapisan pola
Pada lapisan pola dilakukan perkalian titik (dot product) antara input x dengan
vektor bobot xit, yaitu Zi = x.xit, Zi kemudian dibagi dengan bias tertentu σ dan
selanjutnya dimasukkan ke dalam radial basis function, yaitu radbas(n) =
exp(-n). Dengan demikian, persamaan yang digunakan pada lapisan pola
adalah sebagai berikut:
2σ2
dengan
menyatakan vektor bobot kelas ke-i urutan ke-t.
3 Lapisan penjumlahan
Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan
sehingga dihasilkan probability density function untuk setiap kelas. Persamaan
yang digunakan pada lapisan ini adalah sebagai berikut:
8
2σ2
2 2σ
dengan
menyatakan vektor bobot kelas A urutan ke-i, k menyatakan
panjang vektor bobot, σ menyatakan bias (parameter penghalus).
4 Lapisan keluaran
Lapisan keluaran menghasilkan keputusan berdasarkan masukan x. Jika
merupakan nilai terbesar maka x masuk ke dalam kelas y.
Lapisan
Masukan
Lapisan
Pola
Lapisan
Penjumlahan
Lapisan
Keputusan
Gambar 8 Struktur PNN
METODE
Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, pembagian
data, ekstraksi fitur, pembangunan model klasifikasi PNN, identifikasi penyakit
dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan diilustrasikan pada
Gambar 9.
Data Citra Daun Padi
Tahap awal sebelum pemrosesan citra adalah tahap pengumpulan data. Data
citra daun yang digunakan dalam penelitian ini adalah data citra daun yang
diambil dari persawahan desa Laladon, Bogor, Jawa Barat, Indonesia. Data
berupa citra helai daun yang berpenyakit sebanyak 40 citra berformat JPEG yang
dikelompokkan menjadi 4 kelas penyakit yaitu leaf blast, brown spot, tungro, dan
hawar daun bakteri. Citra daun padi dapat dilihat pada Lampiran 1.
9
Data Citra
Daun Padi
Praproses
Pembagian
Data
Data Latih
Data Uji
Ekstraksi Fitur dengan
Fuzzy Entropy
Klasifikasi PNN
Ekstraksi Fitur dengan
Fuzzy Entropy
Model Klasifikasi
Identifikasi
Penyakit Padi
i
Evaluasi
Gambar 9 Metode penelitian
10
Praproses
Pada tahap praproses, citra daun berwarna RGB di-crop pada bagian citra
daun yang terkena penyakit dengan menyertakan sedikit warna hijau. Sebelum
masuk ke tahap ekstraksi fitur, citra daun yang di-crop diubah menjadi citra
grayscale dan ditingkatkan kekontrasannya menggunakan filter Laplacian.
Gambar 10 memperlihatkan tahapan praproses data. Citra daun yang di-crop dapat
dilihat pada Lampiran 2.
Citra yang di-crop
Citra grayscale
Citra hasil praproses
Gambar 10 Tahapan praproses
Pembagian Data
Data citra dibagi menjadi 2 yaitu data latih dan data uji. Pembagian data
latih dan data uji menggunakan k-fold cross validation dengan nilai k sama
dengan 5. Data dibagi menjadi 5 bagian yaitu S 1, S2, S3, S4, dan S5. Tabel 2
memperlihatkan pembagian data latih dan data uji. Tabel 3 dan Tabel 4
memperlihatkan pembagian data latih dan data uji dari 328 data.
Tabel 2 Pembagian data latih dan data uji dengan 5-fold
cross validation
Iterasi
1
2
3
4
5
Data latih
S2, S3, S4, S5
S1, S3, S4, S5
S1, S2, S4, S5
S1, S2, S3, S5
S1, S2, S3, S4
Data uji
S1
S2
S3
S4
S5
Tabel 3 Pembagian data latih
Iterasi
1
2
3
4
5
Brown spot
22
22
23
22
23
Jumlah data latih setiap penyakit
Leaf blast
Tungro
Hawar daun bakteri
80
80
80
80
80
80
80
80
80
80
80
80
80
80
80
11
Tabel 4 Pembagian data uji
Iterasi
1
2
3
4
5
Jumlah data uji setiap penyakit
Leaf blast
Tungro
Hawar daun bakteri
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
Brown spot
6
6
5
6
5
Ekstraksi Fitur dengan Fuzzy Entropy
Ekstraksi fitur merupakan tahapan untuk mengambil fitur yang ada pada
suatu citra yang akan digunakan untuk klasifikasi citra. Pada penelitian ini
ekstraksi fitur yang digunakan adalah fuzzy entropy. Citra hasil praproses dihitung
frekuensi kemunculan setiap piksel dan setiap piksel dihitung nilai derajat
keanggotannya menggunakan Persamaan 1 dan 2 serta dihitung peluang
kemunculan setiap piksel menggunakan Persamaan 3. Setiap piksel dihitung
peluang piksel gelap menggunakan Persamaan 4 dan dihitung peluang piksel
terang dengan Persamaan 5, nilai fuzzy entropy piksel gelap dihitung
menggunakan Persamaan 8 dan nilai fuzzy entropy piksel terang dihitung
menggunakan Persamaan 9. Hasil ekstraksi citra berupa vektor ciri dari
penjumlahan nilai fuzzy entropy piksel gelap dan nilai fuzzy entropy piksel terang
menggunakan Persamaan 10. Penelitian ini menggunakan nilai a sebesar 63, nilai
b sebesar 127, dan nilai c sebesar 191 (Gambar 11). Selang antara nilai a, b, c
diperoleh dari 256 dibagi 4, karena secara umum kemunculan piksel citra brown
spot antara piksel 10 sampai 114, kemunculan piksel citra tungro antara piksel 24
sampai 183, kemunculan piksel citra hawar daun bakteri antara piksel 19 sampai
177, dan kemunculan piksel citra leaf blast antara piksel 0 sampai 255.
piksel terang
Membership value
piksel gelap
1
0.8
0.6
0.4
0.2
0
63
127
191
Piksel citra
Gambar 11 Nilai membership function setiap piksel.
255
12
Klasifikasi dengan PNN
Pada tahap klasifikasi, data citra dibagi menjadi 2 yaitu data latih dan data
uji. Pembagian data latih dan data uji menggunakan k-fold cross validation
dengan nilai k sama dengan 5. Data latih akan diekstraksi menggunakan fuzzy
entropy. Hasil ekstraksi data latih digunakan untuk membuat model klasifikasi.
Model klasifikasi digunakan untuk mengidentifikasi jenis penyakit berdasarkan
citra uji yang dimasukkan ke sistem.
Evaluasi
Evaluasi dari kinerja didasarkan pada banyaknya data uji yang diprediksi
secara benar dan tidak benar oleh model klasifikasi. Hal ini dapat dihitung
menggunakan akurasi berdasarkan Tabel 1 sebagai berikut :
a
a
Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam penelitian ini adalah prosesor Intel
Core i3 CPU M350 @ 2.27 GHz, memori DDR3 RAM 2.00 GB dan harddisk
320 GB. Perangkat lunak yang digunakan adalah sistem operasi Windows 7
Professional, Microsoft Visual Studio 2010 Ultimate, library OpenCV 2.1 untuk
C++, Eclipse Helios, dan library OpenCV 2.3.1 untuk Android.
HASIL DAN PEMBAHASAN
Hasil Ekstraksi Fitur dengan Fuzzy Entropy
Pada tahap ekstraksi fitur, piksel citra akan dibagi menjadi 2 kelas yaitu
kelas piksel terang dan kelas piksel gelap. Setiap piksel akan memiliki 2 nilai
membership function. Hasil ekstraksi fitur dengan fuzzy entropy berupa vektor ciri
yang diperoleh dari beberapa tahapan yaitu citra hasil praproses (Gambar 12)
ditentukan frekuensi kemunculan setiap piksel (Lampiran 3 (a)), menentukan nilai
membership function setiap piksel untuk kelas piksel gelap dengan Persamaan 1
dan piksel terang dengan Persamaan 2, menentukan peluang kemunculan setiap
piksel dengan Persamaan 3 (Lampiran 3 (b)), menentukan peluang piksel gelap
dengan Persamaan 4 (Lampiran 4 (a)) dan peluang piksel terang dengan
Persamaan 5 (Lampiran 4 (b)), menentukan nilai fuzzy entropy untuk piksel gelap
dengan Persamaan 8 (Lampiran 5 (a)) dan nilai fuzzy entropy untuk piksel terang
dengan Persamaan 9 (Lampiran 5 (b)), menentukan nilai fuzzy entropy dengan
Persamaan 10 (Lampiran 6 (a)). Vektor ciri yang dihasilkan berupa nilai fuzzy
entropy untuk setiap piksel yang dinormalisasi agar perbedaan nilai fuzzy entropy
13
antar piksel tidak terlalu besar (Lampiran 6 (b)). Lampiran 7 memperlihatkan ratarata fuzzy entropy setiap piksel citra brown spot. Lampiran 8 memperlihatkan
rata-rata fuzzy entropy setiap piksel citra leaf blast. Lampiran 9 memperlihatkan
rata-rata fuzzy entropy setiap piksel citra tungro. Lampiran 10 memperlihatkan
rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri.
Gambar 12 Citra hasil praproses
Identifikasi Penyakit tanpa Filter Laplacian
Identifikasi penyakit dilakukan dengan menggunakan sistem yang diberi
nama I-PEDIA. Data uji dapat diambil dari galeri atau kamera mobile. Data uji
yang diambil dari kamera mobile harus di-crop pada bagian citra daun yang
terkena penyakit, kemudian disimpan di galeri mobile. Data uji yang di-crop di
ambil dari galeri mobile untuk didentifikasi pada sistem I-PEDIA. Data uji yang
dimasukkan ke sistem akan diekstraksi dan diidentifikasi, kemudian sistem akan
mengeluarkan hasil identifikasi data uji tersebut. Hasil identifikasi berupa namanama penyakit beserta nilai peluangnya. Nama penyakit yang memiliki nilai
peluang terbesar merupakan hasil dari identifikasi data uji. Screenshoot dari
pengujian identifikasi data uji dapat dilihat pada Lampiran 11.
Identifikasi penyakit menggunakan PNN dengan bias (σ) 0.07 yang
diperoleh dari hasil percobaan. Pada tahap praproses, citra grayscale tidak
ditingkatkan kekontrasannya menggunakan filter Laplacian, kemudian diekstraksi
menggunakan fuzzy entropy. Hasil ekstraksi ciri berupa vektor nilai fuzzy entropy
setiap piksel citra. Hasil identifikasi penyakit dapat dilihat pada Gambar 13.
Gambar 13 memperlihatkan bahwa akurasi terendah ada pada penyakit tungro
yaitu 76%. Tabel 5 memperlihatkan confusion matrix hasil identifikasi penyakit.
Pada Tabel 5, dapat dilihat penyakit tungro yang teridentifikasi dengan benar
sebanyak 76 citra dan penyakit tungro yang teridentifikasi sebagi penyakit hawar
daun bakteri sebanyak 24 citra. Hal ini karena grafik fuzzy entropy setiap piksel
citra penyakit tungro (Lampiran 9 (a)) seperti grafik fuzzy entropy setiap piksel
citra hawar daun bakteri (Lampiran 10 (a)). Lampiran 12 memperlihatkan citra
penyakit tungro yang teridentifikasi sebagai penyakit hawar daun bakteri. Akurasi
hasil identifikasi penyakit sebesar 91.46%.
Tabel 5 Confusion matrix hasil identifikasi penyakit tanpa filter Laplacian
Penyakit
Brown spot
Leaf blast
Tungro
Hawar daun bakteri
Jumlah penyakit yang teridentifikasi dengan benar
Brown spot Leaf blast
Tungro
Hawar daun bakteri
28
0
0
0
0
100
0
0
0
0
76
24
0
0
4
96
Akurasi (%)
14
100
100
90
80
70
60
50
40
30
20
10
0
100
96
76
Brown spot
Leaf blast
Tungro
Hawar daun
bakteri
Jenis penyakit
Gambar 13 Akurasi hasil identifikasi penyakit tanpa filter Laplacian
Identifikasi Penyakit dengan Filter Laplacian
Identifikasi penyakit dilakukan dengan menggunakan sistem yang diberi
nama I-PEDIA. Identifikasi penyakit menggunakan PNN dengan bias (σ) 0.07
yang diperoleh dari hasil percobaan. Pada tahap praproses, citra grayscale
ditingkatkan kekontrasannya menggunakan filter Laplacian, kemudian diekstraksi
menggunakan fuzzy entropy. Hasil ekstraksi ciri berupa vektor nilai fuzzy entropy
setiap piksel citra. Penggunaan filter Laplacian pada tahap praproses data hanya
meningkatkan akurasi pada penyakit tungro, sedangkan akurasi penyakit brown
spot, leaf blast, dan hawar daun bakteri menurun. Hasil identifikasi penyakit dapat
dilihat pada Gambar 14. Gambar 14 memperlihatkan bahwa akurasi terendah ada
pada penyakit hawar daun bakteri yaitu 79%. Tabel 6 memperlihatkan confusion
matrix hasil identifikasi penyakit. Pada Tabel 6, dapat dilihat penyakit hawar daun
bakteri yang teridentifikasi dengan benar sebanyak 79 dan penyakit hawar daun
bakteri yang teridentifikasi sebagi penyakit tungro sebanyak 21 citra. Hal ini
karena grafik fuzzy entropy setiap piksel citra penyakit hawar daun bakteri
(Lampiran 10 (b)) memiliki bentuk yang hampir mirip dengan grafik fuzzy entropy
setiap piksel citra tungro (Lampiran 9 (b)). Lampiran 13 memperlihatkan citra
penyakit yang teridentifikasi sebagai penyakit hawar daun bakteri. Akurasi hasil
identifikasi penyakit sebesar 90.55%.
Tabel 6 Confusion matrix hasil identifikasi penyakit dengan filter Laplacian
Penyakit
Brown spot
Leaf blast
Tungro
Hawar daun bakteri
Jumlah penyakit yang teridentifikasi dengan benar
Brown spot Leaf blast
Tungro
Hawar daun bakteri
24
0
4
0
0
97
0
3
0
1
97
2
0
0
21
79
Akurasi (%)
15
100
90
80
70
60
50
40
30
20
10
0
97
97
85.71
Brown spot
79
Leaf blast
Tungro
Hawar daun
bakteri
Jenis penyakit
Gambar 14 Akurasi hasil identifikasi penyakit dengan filter Laplacian
SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, aplikasi mobile untuk mengidentifikasi penyakit
tanaman padi berhasil diimplementasikan. Hasil ekstraksi fitur fuzzy entropy citra
dapat digunakan untuk mengidentifikasi jenis penyakit tanaman padi
menggunakan klasifikasi PNN. Bias (σ) PNN yang digunakan sebesar 0.07.
Akurasi identifkasi penyakit tanaman padi pada penelitian ini adalah
sebagai berikut:
tanpa penggunaan filter Laplacian pada tahap praproses data menghasilkan
akurasi sebesar 91.46%.
dengan penggunaan filter Laplacian pada tahap praproses data menghasilkan
akurasi sebesar 90.55%.
Saran
Penelitian ini menggunakan data citra jenis penyakit yang relatif sedikit
jumlahnya, sehingga
untuk penelitian selanjutnya disarankan untuk
memperbanyak data citra jenis penyakit.
16
DAFTAR PUSTAKA
[DJTP] Direktorat Jenderal Tanaman Pangan Kementerian Pertanian Republik
Indonesia. 2012. Evaluasi prakiraan serangan OPT utama tanaman padi, jagung,
kedelai musim tanam 2011/2012 terhadap angka kejadian selama bulan
Oktober 2011-Maret 2012 [Internet]. [diunduh 2013 Mei 28]. Tersedia pada:
http://tanamanpangan.deptan.go.id/index.php/folder/detail/3/3/131.
[DJTP] Direktorat Jenderal Tanaman Pangan Kementerian Pertanian Republik
Indonesia. 2010. Laporan tahunan 2010 [Internet]. [diunduh 2013 Mei 29].
Tersedia pada: http://tanamanpangan.deptan.go.id/doc_upload/44_Laptah%20
Ditjen%202010.pdf.
Gonzalez RC, Woods RE. 2002. Digital Image Processing. Ed ke-2. New Jersey
(US): Prentice-Hall.
Gutierrez-Osuna R. 2002. Pattern analysis for machine olfaction : a review. IEEE
Sensors Journal. 2:189-202.
Irfansyah M. 2011. Pengukuran kinerja k-nearest neighbors dan self organizing
maps menggunakan fitur fast fourier transform [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Kurniawan T. 2013. Ekstraksi tekstur citra menggunakan local binary pattern
untuk identifikasi penyakit tanaman padi dan anthurium berbasis website
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Rajan AS. 2012. Image processing techniques for diagnosing paddy disease. Di
dalam: World Congress on Engineering; 2012 Jul 4-6; London, UK.
Syam M, Suparyono, Hermanto, Wuryandari SD. 2003. Masalah Lapang Hama
Penyakit Hara pada Padi. Bogor (ID): Puslitbang Pertanian Tanaman Pangan.
Tan PN, Steinbach M, Kumar V. 2006. Introduction to Data Mining. Pearson
(US): Addison Wesley.
Tao W, Jin H, Liu L. 2007. Object segmentation using ant colony optimization
algorithm and fuzzy entropy. Pattern Recognition. 28:788-796.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A leaf
recognition algorithm for plant classification using probabilistic neural network
[Internet]. [diunduh 2013 Jan 21]. Tersedia pada: http://arxiv.org/pdf/
0707.4289.pdf.
17
Lampiran 1 Contoh citra daun tanaman padi untuk masing-masing kelas penyakit
1
Citra brown spot
2
Citra leaf blast
3
Citra tungro
4
Citra hawar daun bakteri
18
Lampiran 2 Contoh citra daun padi yang di-crop
1
Citra brown spot
2
Citra leaf blast
3
Citra tungro
4
Citra hawar daun bakteri
19
0.025
Peluang
300
250
200
150
100
50
0
0.020
0.015
0.010
0.005
1
21
41
61
81
101
121
141
161
181
201
221
241
0.000
1
21
41
61
81
101
121
141
161
181
201
221
241
Frekuensi
Lampiran 3 Frekuensi kemunculan piksel (a); peluang kemunculan setiap piksel (b)
Piksel citra
Piksel citra
(a)
(b)
Lampiran 4 Peluang piksel gelap (a); peluang piksel terang (b)
0.015
Peluang
Peluang
0.020
0.015
0.010
0.005
0.005
1
21
41
61
81
101
121
141
161
181
201
221
241
0.000
1
21
41
61
81
101
121
141
161
181
201
221
241
0.000
0.010
Piksel citra
Piksel citra
(a)
(b)
Lampiran 5 Nilai fuzzy entropy piksel gelap (a); nilai fuzzy entropy piksel terang (b)
0.15
0.10
0.05
0.00
Piksel citra
(a)
0.15
0.10
0.05
0.00
1
21
41
61
81
101
121
141
161
181
201
221
241
Fuzzy entropy
0.20
1
21
41
61
81
101
121
141
161
181
201
221
241
Fuzzy entropy
0.20
Piksel citra
(b)
20
Lampiran 6 Nilai fuzzy entropy setiap piksel (a); nilai fuzzy entropy yang dinormalisasi
(b)
0.20
Fuzzy entropy
Fuzzy entropy
0.25
0.20
0.15
0.10
0.05
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
0.15
Piksel citra
Piksel citra
(a)
(b)
Lampiran 7 Rata-rata fuzzy entropy setiap piksel citra brown spot: tanpa filter Laplacian
(a); dengan filter Laplacian (b)
0.20
Fuzzy entropy
Fuzzy entropy
0.25
0.20
0.15
0.10
0.05
0.00
0.15
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
1
25
49
73
97
121
145
169
193
217
241
0.00
Piksel citra
Piksel citra
(a)
(b)
0.12
0.10
0.08
0.06
0.04
0.02
0.00
Fuzzy entropy
0.25
0.20
0.15
0.10
0.05
Piksel citra
(a)
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
1
25
49
73
97
121
145
169
193
217
241
Fuzzy entropy
Lampiran 8 Rata-rata fuzzy entropy setiap piksel citra leaf blast: tanpa filter Laplacian
(a); dengan filter Laplacian (b)
Piksel citra
(b)
21
Lampiran 9 Rata-rata fuzzy entropy setiap piksel citra tungro: tanpa filter Laplacian (a);
dengan filter Laplacian (b)
0.25
Fuzzy entropy
Fuzzy entropy
0.20
0.15
0.10
0.05
0.00
0.20
0.15
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
1
25
49
73
97
121
145
169
193
217
241
0.00
Piksel citra
Piksel citra
(a)
(b)
Lampiran 10 Rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri: tanpa filter
Laplacian (a); dengan filter Laplacian (b)
Fuzzy entropy
0.15
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
1
21
41
61
81
101
121
141
161
181
201
221
241
Fuzzy entropy
0.20
Piksel citra
Piksel citra
(a)
(b)
22
Lampiran 11 Screenshoot sistem I-PEDIA
Main Menu
Jenis Penyakit
Proses Identifikasi
Detail Penyakit
23
Lampiran 12 Citra penyakit tungro yang teridentifikasi sebagai penyakit hawar
daun bakteri
24
Lampiran 13 Citra penyakit hawar daun bakteri yang teridentifikasi sebagai
penyakit tungro
25
RIWAYAT HIDUP
Penulis dilahirkan di Pati pada tanggal 21 September 1990. Penulis
merupakan putra pertama dari tiga bersaudara dari pasangan Bapak Jamasri dan
Ibu Siti Kholimah. Pada tahun 2008, penulis lulus dari Sekolah Menengah Atas
(SMA) Negeri 2 Pati dan diterima di Program Studi Ilmu Komputer Institut
Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).
Pada tahun 2009, penulis mendapatkan nilai ujian akhir semester tertinggi
untuk mata kuliah Pengantar Matematika. Pada tahun 2012, penulis melaksanakan
kegiatan praktik kerja lapang di RCTI selama 35 hari. Selama menempuh
pendidikan di IPB, penulis pernah aktif di Serambi Ruhiyah Mahasiswa G
(Serum-G) dan Unit Kegiatan Mahasiswa Merpati Putih.
PENYAKIT TANAMAN PADI DENGAN FUZZY ENTROPY
DAN PROBABILISTIC NEURAL NETWORK
KHOLIS
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 I-PEDIA: Aplikasi
Mobile untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan
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, Agustus 2013
Kholis
NIM G64080024
ABSTRAK
KHOLIS. I-PEDIA: Aplikasi Mobile untuk Identifikasi Penyakit Tanaman Padi
dengan Fuzzy Entropy dan Probabilistic Neural Network. Dibimbing oleh YENI
HERDIYENI.
Penelitian ini mengembangkan sistem identifikasi penyakit tanaman padi
dengan ekstraksi fitur fuzzy entropy dan klasifikasi probabilistic neural network
(PNN) yang berjalan di mobile. Penyakit tanaman padi merupakan salah satu
kendala dalam peningkatan produksi padi. Fuzzy entropy digunakan untuk
mengekstraksi fitur citra. PNN digunakan karena memiliki waktu pelatihan yang
cepat. Data latih dan data uji dibagi dengan k-fold cross validation dengan nilai k
sama dengan 5. Sebelum data latih dan data uji diekstraksi, citra ditingkatkan
kekontrasannya menggunakan filter Laplacian. Akurasi identifikasi penyakit padi
tanpa filter Laplacian sebesar 91.46% dan akurasi identifikasi penyakit padi
dengan filter Laplacian sebesar 90.55%.
Kata kunci: fuzzy entropy, probabilistic neural network, penyakit tanaman padi,
k-fold cross validation
ABSTRACT
KHOLIS. I-PEDIA: Mobile Application for Paddy Plant Disease Identification
using Fuzzy Entropy and Probabilistic Neural Network. Supervised by YENI
HERDIYENI.
This research developed a mobile application for paddy plant disease
identification system using fuzzy entropy and classifier probabilistic neural
network (PNN) that runs on mobile. Paddy plant diseases is one of the problems
on increasing paddy production. Fuzzy entropy is used for image feature
extraction. PNN is used because training PNN is fast. Training data and testing
data divided by k-fold cross validation with a k value of 5. Before training data
and testing data are extracted, the images are enhanced using the Laplacian filter.
The accuracy of paddy diseases identification without the Laplacian filter is
91.46% while accuracy of paddy diseases identification using the Laplacian filter
is 90.55%.
Key words: fuzzy entropy, probabilistic neural network, paddy plant disease,
k-fold cross validation
I-PEDIA: APLIKASI MOBILE UNTUK IDENTIFIKASI
PENYAKIT TANAMAN PADI DENGAN FUZZY ENTROPY
DAN PROBABILISTIC NEURAL NETWORK
KHOLIS
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:
1 Mushthofa, MSc
2 Aziz Kustiyo, MKom
Judul Skripsi : I-PEDIA: Aplikasi Mobile untuk Identifikasi Penyakit Tanaman
Padi dengan Fuzzy Entropy dan Probabilistic Neural Network
Nama
: Kholis
NIM
: G64080024
Disetujui oleh
Dr Yeni Herdiyeni, SSi MKom
Pembimbing
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 skripsi yang berjudul I-PEDIA: Aplikasi Mobile
untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan
Probabilistic Neural Network ini berhasil diselesaikan. Penelitian ini dilaksanakan
sejak bulan November 2012 sampai dengan Juni 2013, bertempat di Departemen
Ilmu Komputer IPB.
Penulis juga menyampaikan ucapan terima kasih kepada:
1 Ibu Dr Yeni Herdiyeni, SSi MKom selaku dosen pembimbing yang telah
memberikan arahan dan bimbingan dengan sabar kepada penulis dalam
menyelesaikan skripsi ini.
2 Ayah, Ibu, dan adik tercinta, Harjono dan Vita yang tidak henti-hentinya
memberikan doa, kasih sayang, dan dukungan kepada penulis.
3 Bapak Mushthofa, MSc dan Bapak Aziz Kustiyo, MKom selaku dosen
penguji.
4 Dosen-dosen di Departemen Ilmu Komputer yang telah memberikan ilmu
kepada penulis.
5 Teman-teman satu bimbingan kak Desta, kak Dedi, kak Trio, kak Muchlis,
kak Auzi, kak Ardiansyah, mbak Ismi, mbak Yunda, kak Ngakan, kak
Yusrizal, Mega, Doddy, Nurul, Ikhsan, Faradina atas saran, masukan dan
nasihat yang diberikan kepada penulis.
6 Teman-teman di Departemen Ilmu Komputer IPB angkatan 45 dan 46 atas
segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada
penulis.
7 Teman-teman di Ikatan Keluarga Mahasiswa Pati atas segala kebersamaan,
bantuan, dan motivasi yang telah diberikan kepada penulis.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam
skripsi ini. Penulis berharap adanya saran dan kritik yang membangun dari semua
pihak yang membaca skripsi ini. Semoga skripsi ini bermanfaat dan dapat
menambah wawasan ilmu pengetahuan.
Bogor, Agustus 2013
Kholis
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Penyakit Tanaman Padi
2
Fuzzy Entropy Citra
4
Laplacian
5
Confusion Matrix
6
Probabilistic Neural Network
6
METODE
Data Citra Daun Padi
8
8
Praproses
10
Pembagian Data
10
Ekstraksi Fitur dengan Fuzzy Entropy
11
Klasifikasi dengan PNN
11
Evaluasi
12
Perangkat Keras dan Perangkat Lunak
12
HASIL DAN PEMBAHASAN
12
Hasil Ekstraksi Fitur dengan Fuzzy Entropy
12
Identifikasi Penyakit
13
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
LAMPIRAN
17
RIWAYAT HIDUP
25
DAFTAR TABEL
1
2
3
4
5
6
Confusion matrix
Pembagian data latih dan data uji dengan 5-fold cross validation
Pembagian data latih
Pembagian data uji
Confusion matrix hasil identifikasi penyakit tanpa filter Laplacian
Confusion matrix hasil identifikasi penyakit dengan filter Laplacian
6
10
10
11
13
14
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Penyakit brown spot
Penyakit leaf blast
Penyakit tungro
Penyakit hawar daun bakteri
Membership function
Matriks konvolusi
4-fold cross validation
Struktur PNN
Metode penelitian
Tahapan praproses
Nilai membership function setiap piksel.
Citra hasil praproses
Akurasi hasil identifikasi penyakit tanpa filter Laplacian
Akurasi hasil identifikasi penyakit dengan filter Laplacian
2
3
3
4
4
6
7
8
9
10
11
13
14
15
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
13
Contoh citra daun tanaman padi untuk masing-masing kelas penyakit
Contoh citra daun padi yang di-crop
Frekuensi kemunculan piksel (a); peluang kemunculan setiap piksel (b)
Peluang piksel gelap (a); peluang piksel terang (b)
Nilai fuzzy entropy piksel gelap (a); nilai fuzzy entropy piksel terang (b)
Nilai fuzzy entropy setiap piksel (a); nilai fuzzy entropy yang
dinormalisasi (b)
Rata-rata fuzzy entropy setiap piksel citra brown spot: tanpa filter
Laplacian (a); dengan filter Laplacian (b)
Rata-rata fuzzy entropy setiap piksel citra leaf blast: tanpa filter
Laplacian (a); dengan filter Laplacian (b)
Rata-rata fuzzy entropy setiap piksel citra tungro: tanpa filter Laplacian
(a); dengan filter Laplacian (b)
Rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri: tanpa
filter Laplacian (a); dengan filter Laplacian (b)
Screenshoot sistem I-PEDIA
Citra penyakit tungro yang teridentifikasi sebagai penyakit hawar daun
bakteri
Citra penyakit hawar daun bakteri yang teridentifikasi sebagai penyakit
tungro
17
18
19
19
19
20
20
20
21
21
22
23
24
PENDAHULUAN
Latar Belakang
Padi merupakan tanaman pangan bagi penduduk Indonesia. Produksi padi
harus ditingkatkan karena jumlah penduduk yang semakin meningkat setiap
tahunnya. Hama dan penyakit merupakan salah satu kendala dalam peningkatan
produksi padi. Luas serangan hama dan penyakit di Indonesia dari bulan Oktober
2011 sampai bulan Maret 2012 adalah penggerek batang padi 57 875 ha, wereng
batang coklat 11 351 ha, tikus 54 300 ha, tungro 4 994 ha, leaf blast 31 383 ha,
dan hawar daun bakteri 43 719 ha (DJTP 2012). Sedangkan jumlah petugas
pengendali organisme pengganggu tanaman-pengamat hama penyakit tanaman
(POPT-PHP) 3 183 orang yang tersebar di 33 provinsi (DJTP 2010). Jumlah
petugas POPT-PHP tersebut belum mencapai kondisi ideal yaitu 1 orang petugas
POPT-PHP di setiap kecamatan yang berjumlah 6 543 kecamatan, sehingga
proses pengendalian hama dan penyakit terlambat dilakukan. Dari masalah ini,
timbullah ide untuk mengembangkan sistem untuk mengidentifikasi penyakit
tanaman padi dengan cepat yang berjalan di mobile.
Rajan (2012) membandingkan metode local entropy threshold dan otsu
threshold pada tahapan segmentasi citra dengan metode klasifikasi forwardchaining untuk mengidentifikasi penyakit tanaman padi. Berdasarkan
penelitiannya, local entropy threshold menghasilkan akurasi sebesar 94.7%,
sedangkan otsu threshold menghasilkan akurasi sebesar 61.2%. Irfansyah (2011)
melakukan perbandingan kinerja k-nearest neighbors (k-NN) dengan jaringan
syaraf tiruan self organizing maps (SOM) menggunakan ekstraksi fitur fast fourier
transform untuk mengidentifikasi penyakit tanaman padi dan anthurium. K-NN
menghasilkan akurasi sebesar 76% dan SOM menghasilkan akurasi sebesar 62%.
Kurniawan (2013) melakukan identifikasi penyakit tanaman padi dan anthurium
dengan ekstraksi tekstur local binary pattern variance (LBPV) dan metode
klasifikasi probabilistic neural network, akurasi yang dihasilkan sebesar 85.71%
untuk LBPV operator (8, 1) dan (16, 2). Tao et al. (2007) melakukan segmentasi
citra infrared menggunakan fuzzy entropy dan membandingkan kinerja genetic
algorithm (GA) dan ant colony optimization (ACO) untuk menentukan nilai fuzzy
entropy yang optimal. Nilai threshold T yang digunakan untuk segmentasi
ditentukan berdasarkan nilai fuzzy entropy yang optimal dengan µ(T) = 0.5.
Kinerja ACO lebih efektif daripada GA.
Pada penelitian ini akan digunakan ekstraksi fitur fuzzy entropy dan metode
klasifikasi probabilistic neural network (PNN) untuk mengidentifikasi penyakit
tanaman padi. Ekstraksi fitur fuzzy entropy digunakan untuk menentukan pola
citra yang akan digunakan untuk klasifikasi menggunakan PNN.
Tujuan Penelitian
1
2
Tujuan penelitian ini adalah:
Mengidentifikasi penyakit tanaman padi dengan fuzzy entropy dan
probabilistic neural network.
Membuat aplikasi mobile untuk mengidentifikasi penyakit tanaman padi.
2
Manfaat Penelitian
Manfaat penelitian ini adalah memudahkan petugas POPT-PHP untuk
mengidentifikasi penyakit tanaman padi dengan cepat.
Ruang Lingkup Penelitian
1
2
3
4
Ruang lingkup penelitian ini adalah:
Data citra yang digunakan adalah citra daun padi yang diperoleh dari
persawahan desa Laladon Bogor, Jawa Barat, Indonesia.
Citra daun yang digunakan berupa helai daun yang terkena penyakit.
Jenis penyakit yang akan diidentifikasi terdiri atas penyakit leaf blast, brown
spot, tungro dan hawar daun bakteri.
Menggunakan sistem operasi Android dalam pembuatan aplikasi mobile.
TINJAUAN PUSTAKA
Penyakit Tanaman Padi
Bercak Coklat (Brown Spot)
Penyakit brown spot disebabkan oleh jamur Helminthosporium oryzae.
Penyakit ini dapat menyebabkan kematian tanaman muda dan menurunkan
kualitas gabah. Gejala yang paling umum dari penyakit ini adalah bercak
berwarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada
permukaan daun, pada pelepah atau pada gabah (Gambar 1). Patogen penyakit
bersifat terbawa benih (seed borne), sehingga dalam keadaan yang cocok,
penyakit dapat berkembang pada tanaman yang masih sangat muda (Syam et al.
2003).
Gambar 1 Penyakit brown spot
Blas (Leaf Blast)
Penyakit leaf blast disebabkan oleh jamur patogen Pyricularia grisea.
Penyakit leaf blast menginfeksi tanaman padi pada setiap fase pertumbuhan.
Gejala khas pada daun yaitu bercak berbentuk belah ketupat, lebar di tengah dan
meruncing di kedua ujungnya (Gambar 2). Ukuran bercak kira-kira 1-1.5 × 0.30.5 cm berkembang menjadi berwarna abu-abu pada bagian tengahnya. Bercak
penyakit leaf blast sulit dibedakan dengan gejala penyakit bercak coklat
Helminthosporium.
3
Selain daun yang terinfeksi, penyakit leaf blast dapat juga menginfeksi pada
ruas batang dan leher malai yang disebut blas leher (neck blast). Leher malai yang
terinfeksi berubah menjadi kehitam-hitaman dan patah, mirip gejala beluk oleh
penggerek batang. Apabila blas leher terjadi, hanya sedikit malai yang berisi atau
bahkan hampa. Tanaman padi mudah terinfeksi penyakit leaf blast ketika
pemupukan nitrogen dalam takaran tinggi dan cuaca yang lembab, terutama di
musim hujan (Syam et al. 2003).
Gambar 2 Penyakit leaf blast
Tungro
Penyakit ini ditularkan oleh wereng hijau. Tanaman yang terinfeksi tumbuh
kerdil dengan anakan sedikit. Daun mengalami perubahan warna dari hijau
menjadi sedikit kuning sampai kuning oranye dan kuning coklat dari ujung daun,
terutama pada daun muda (Gambar 3). Malai menjadi kecil, steril, dan tidak
sempurna. Tanaman yang terinfeksi biasanya hidup hingga fase pemasakan. Fase
pertumbuhan tanaman yang paling rentan terserang penyakit ini pada saat
pembibitan sampai munculnya padi. Kehilangan hasil dapat mencapai 68% ketika
tanaman yang terinfeksi baru berumur 10 sampai 20 hari setelah sebar, 30% jika
tanaman yang terinfeksi sudah berumur antara 40 sampai 50 hari setelah sebar dan
5% jika tanaman sudah berumur 70 sampai 80 hari setelah sebar (Syam et al.
2003).
Gambar 3 Penyakit tungro
Hawar Daun Bakteri (Bacterial Leaf Blight)
Penyakit hawar daun bakteri (HDB) disebabkan oleh Xanthomonas
campestris pv. oryzae. Gejala penyakit berupa bercak berwarna kuning sampai
putih berawal dari terbentuknya garis lebam berair pada bagian tepi daun (Gambar
4). Bercak dapat menyebar dari salah satu atau kedua tepi daun yang rusak, dan
berkembang hingga menutupi seluruh helai daun. Pada varietas yang rentan,
bercak dapat mencapai pangkal daun sampai ke pelepah daun.
Infeksi pada pembibitan menyebabkan bibit menjadi kering. Bakteri
menginfeksi masuk sistem vaskular tanaman padi pada saat tanam pindah atau
sewaktu dicabut dari tempat pembibitan dan akarnya rusak, atau sewaktu terjadi
kerusakan daun. Apabila sel bakteri masuk menginfeksi tanaman padi melalui
4
akar dan pangkal batang, tanaman bisa menunjukkan gejala kresek. Seluruh daun
dan bagian tanaman lainnya menjadi kering. Infeksi dapat terjadi dari fase
persemaian sampai awal fase pembentukan anakan. Sumber infeksi dapat berasal
dari jerami yang terinfeksi, tunggul jerami, singgang dari tanaman yang terinfeksi,
benih, dan gulma inang. Sel-sel bakteri membentuk butir-butir embun pada waktu
pagi hari yang mengeras dan melekat pada permukaan daun (Syam et al. 2003).
Gambar 4 Penyakit hawar daun bakteri
Fuzzy Entropy Citra
Fuzzy entropy pertama kali dikenalkan oleh Luca dan Termini pada tahun
1972 (Tao et al. 2007). Fuzzy entropy banyak digunakan untuk segmentasi citra,
akan tetapi pada penelitian ini fuzzy entropy digunakan untuk ekstraksi fitur citra.
Misalkan D = {(i, j) : i = 0, 1, …, M-1; j = 0, 1, …, N-1}, dengan M dan N
merupakan ukuran piksel suatu citra, Dk = {(x, y) : I(x, y) = k, (x, y) D}, I(x, y)
merupakan nilai gray level citra pada piksel (x, y) dan k = 0, 1, …, 255. I(x, y)
dibagi menjadi dua kelas yaitu kelas piksel gelap dan piksel terang. Setiap piksel
memiliki nilai membership function µ d (piksel gelap) dan µ b (piksel terang)
(Gambar 5). µ d dan µ b ditentukan menggunakan Persamaan 1 dan 2 dengan tiga
parameter a, b, c dengan
a
255 (Tao et al. 2007).
Gambar 5 Membership function
a
a
a
2
a
2
a
a
5
a
a
a
2
a
a
2
2
a
Nilai fuzzy entropy (H) setiap piksel citra ditentukan dengan Persamaan 10.
la
l
5
255
255
Dengan
: Nilai fuzzy entropy untuk piksel gelap ke-k pada citra
: Nilai fuzzy entropy untuk piksel terang ke-k pada citra
: Peluang kemunculan piksel gelap ke-k pada citra
: Peluang kemunculan piksel terang ke-k pada citra
: Peluang kemunculan piksel ke-k pada citra
Filter Laplacian
Filter Laplacian merupakan salah satu metode yang digunakan untuk
meningkatkan kekontrasan citra. Laplacian suatu fungsi citra f(x, y) merupakan
penjumlahan dari turunan kedua fungsi f(x, y) terhadap x dan turunan kedua fungsi
f(x, y) terhadap y yang didefinisikan pada Persamaan 15. Deteksi tepi citra
6
dihasilkan dari konvolusi matriks citra dengan matriks konvolusi (Gambar 6) dan
citra yang ditingkatkan kekontrasannya dihasilkan dari pengurangan matriks citra
dengan matriks citra yang telah dideteksi tepinya (Persamaan 13) (Gonzalez dan
Woods 2001).
2
2
2
2
2
2
,
2
,
2
,
2
2
,
2
2
,
2
,
,
,
,
-
,
,
,
2
,
5
0 1 0
1 -4 1
0 1 0
Gambar 6 Matriks konvolusi
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris
data yang diuji yang diprediksi benar dan salah oleh model klasifikasi, hal ini
bertujuan untuk menentukan kinerja dari suatu model klasifikasi yang digunakan
(Tan et al 2006). Tabel 1 memperlihatkan tabel confusion matrix.
F00 merupakan jumlah data kelas 0 yang diklasifikasikan sebagai kelas 0,
F01 merupakan jumlah data kelas 0 yang diklasifikasikan sebagai kelas 1, F10
merupakan jumlah data kelas 1 yang diklasifikasikan sebagai kelas 0, F11
merupakan jumlah data kelas 1 yang diklasifikasikan sebagai kelas 1.
Tabel 1 Confusion matrix
Assign Class
Class 0 Class 1
Class 0
F00
F01
True Class
Class 1
F10
F11
7
K-fold Cross Validation
Metode k-fold cross validation membagi data menjadi k bagian. Sebanyak k1 bagian digunakan untuk data latih dan 1 bagian digunakan untuk data uji
(Gutierrez-Osuna 2002). Gambar 7 memperlihatkan pembagian data menjadi 4
bagian.
Gambar 7 4-fold cross validation
Probabilistic Neural Network
Probabilistic neural network (PNN) merupakan jaringan syaraf tiruan yang
dibangun berdasarkan kaidah keputusan Bayes dan dikembangkan oleh Donald F
Specht pada tahun 1988. PNN menggunakan radial basis function (RBF). RBF
adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear
(Wu et al 2007). Keuntungan menggunakan PNN adalah proses pelatihan data
lebih mudah dan lebih cepat. Bobot bukan merupakan hasil pelatihan melainkan
nilai yang akan menjadi masukan. PNN terdiri atas 4 lapisan, yaitu lapisan
masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN
ditunjukkan pada Gambar 8. Lapisan yang menyusun PNN adalah sebagai berikut:
1 Lapisan masukan
Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan
diklasifikasikan pada salah satu kelas dari n kelas.
2 Lapisan pola
Pada lapisan pola dilakukan perkalian titik (dot product) antara input x dengan
vektor bobot xit, yaitu Zi = x.xit, Zi kemudian dibagi dengan bias tertentu σ dan
selanjutnya dimasukkan ke dalam radial basis function, yaitu radbas(n) =
exp(-n). Dengan demikian, persamaan yang digunakan pada lapisan pola
adalah sebagai berikut:
2σ2
dengan
menyatakan vektor bobot kelas ke-i urutan ke-t.
3 Lapisan penjumlahan
Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan
sehingga dihasilkan probability density function untuk setiap kelas. Persamaan
yang digunakan pada lapisan ini adalah sebagai berikut:
8
2σ2
2 2σ
dengan
menyatakan vektor bobot kelas A urutan ke-i, k menyatakan
panjang vektor bobot, σ menyatakan bias (parameter penghalus).
4 Lapisan keluaran
Lapisan keluaran menghasilkan keputusan berdasarkan masukan x. Jika
merupakan nilai terbesar maka x masuk ke dalam kelas y.
Lapisan
Masukan
Lapisan
Pola
Lapisan
Penjumlahan
Lapisan
Keputusan
Gambar 8 Struktur PNN
METODE
Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, pembagian
data, ekstraksi fitur, pembangunan model klasifikasi PNN, identifikasi penyakit
dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan diilustrasikan pada
Gambar 9.
Data Citra Daun Padi
Tahap awal sebelum pemrosesan citra adalah tahap pengumpulan data. Data
citra daun yang digunakan dalam penelitian ini adalah data citra daun yang
diambil dari persawahan desa Laladon, Bogor, Jawa Barat, Indonesia. Data
berupa citra helai daun yang berpenyakit sebanyak 40 citra berformat JPEG yang
dikelompokkan menjadi 4 kelas penyakit yaitu leaf blast, brown spot, tungro, dan
hawar daun bakteri. Citra daun padi dapat dilihat pada Lampiran 1.
9
Data Citra
Daun Padi
Praproses
Pembagian
Data
Data Latih
Data Uji
Ekstraksi Fitur dengan
Fuzzy Entropy
Klasifikasi PNN
Ekstraksi Fitur dengan
Fuzzy Entropy
Model Klasifikasi
Identifikasi
Penyakit Padi
i
Evaluasi
Gambar 9 Metode penelitian
10
Praproses
Pada tahap praproses, citra daun berwarna RGB di-crop pada bagian citra
daun yang terkena penyakit dengan menyertakan sedikit warna hijau. Sebelum
masuk ke tahap ekstraksi fitur, citra daun yang di-crop diubah menjadi citra
grayscale dan ditingkatkan kekontrasannya menggunakan filter Laplacian.
Gambar 10 memperlihatkan tahapan praproses data. Citra daun yang di-crop dapat
dilihat pada Lampiran 2.
Citra yang di-crop
Citra grayscale
Citra hasil praproses
Gambar 10 Tahapan praproses
Pembagian Data
Data citra dibagi menjadi 2 yaitu data latih dan data uji. Pembagian data
latih dan data uji menggunakan k-fold cross validation dengan nilai k sama
dengan 5. Data dibagi menjadi 5 bagian yaitu S 1, S2, S3, S4, dan S5. Tabel 2
memperlihatkan pembagian data latih dan data uji. Tabel 3 dan Tabel 4
memperlihatkan pembagian data latih dan data uji dari 328 data.
Tabel 2 Pembagian data latih dan data uji dengan 5-fold
cross validation
Iterasi
1
2
3
4
5
Data latih
S2, S3, S4, S5
S1, S3, S4, S5
S1, S2, S4, S5
S1, S2, S3, S5
S1, S2, S3, S4
Data uji
S1
S2
S3
S4
S5
Tabel 3 Pembagian data latih
Iterasi
1
2
3
4
5
Brown spot
22
22
23
22
23
Jumlah data latih setiap penyakit
Leaf blast
Tungro
Hawar daun bakteri
80
80
80
80
80
80
80
80
80
80
80
80
80
80
80
11
Tabel 4 Pembagian data uji
Iterasi
1
2
3
4
5
Jumlah data uji setiap penyakit
Leaf blast
Tungro
Hawar daun bakteri
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
Brown spot
6
6
5
6
5
Ekstraksi Fitur dengan Fuzzy Entropy
Ekstraksi fitur merupakan tahapan untuk mengambil fitur yang ada pada
suatu citra yang akan digunakan untuk klasifikasi citra. Pada penelitian ini
ekstraksi fitur yang digunakan adalah fuzzy entropy. Citra hasil praproses dihitung
frekuensi kemunculan setiap piksel dan setiap piksel dihitung nilai derajat
keanggotannya menggunakan Persamaan 1 dan 2 serta dihitung peluang
kemunculan setiap piksel menggunakan Persamaan 3. Setiap piksel dihitung
peluang piksel gelap menggunakan Persamaan 4 dan dihitung peluang piksel
terang dengan Persamaan 5, nilai fuzzy entropy piksel gelap dihitung
menggunakan Persamaan 8 dan nilai fuzzy entropy piksel terang dihitung
menggunakan Persamaan 9. Hasil ekstraksi citra berupa vektor ciri dari
penjumlahan nilai fuzzy entropy piksel gelap dan nilai fuzzy entropy piksel terang
menggunakan Persamaan 10. Penelitian ini menggunakan nilai a sebesar 63, nilai
b sebesar 127, dan nilai c sebesar 191 (Gambar 11). Selang antara nilai a, b, c
diperoleh dari 256 dibagi 4, karena secara umum kemunculan piksel citra brown
spot antara piksel 10 sampai 114, kemunculan piksel citra tungro antara piksel 24
sampai 183, kemunculan piksel citra hawar daun bakteri antara piksel 19 sampai
177, dan kemunculan piksel citra leaf blast antara piksel 0 sampai 255.
piksel terang
Membership value
piksel gelap
1
0.8
0.6
0.4
0.2
0
63
127
191
Piksel citra
Gambar 11 Nilai membership function setiap piksel.
255
12
Klasifikasi dengan PNN
Pada tahap klasifikasi, data citra dibagi menjadi 2 yaitu data latih dan data
uji. Pembagian data latih dan data uji menggunakan k-fold cross validation
dengan nilai k sama dengan 5. Data latih akan diekstraksi menggunakan fuzzy
entropy. Hasil ekstraksi data latih digunakan untuk membuat model klasifikasi.
Model klasifikasi digunakan untuk mengidentifikasi jenis penyakit berdasarkan
citra uji yang dimasukkan ke sistem.
Evaluasi
Evaluasi dari kinerja didasarkan pada banyaknya data uji yang diprediksi
secara benar dan tidak benar oleh model klasifikasi. Hal ini dapat dihitung
menggunakan akurasi berdasarkan Tabel 1 sebagai berikut :
a
a
Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam penelitian ini adalah prosesor Intel
Core i3 CPU M350 @ 2.27 GHz, memori DDR3 RAM 2.00 GB dan harddisk
320 GB. Perangkat lunak yang digunakan adalah sistem operasi Windows 7
Professional, Microsoft Visual Studio 2010 Ultimate, library OpenCV 2.1 untuk
C++, Eclipse Helios, dan library OpenCV 2.3.1 untuk Android.
HASIL DAN PEMBAHASAN
Hasil Ekstraksi Fitur dengan Fuzzy Entropy
Pada tahap ekstraksi fitur, piksel citra akan dibagi menjadi 2 kelas yaitu
kelas piksel terang dan kelas piksel gelap. Setiap piksel akan memiliki 2 nilai
membership function. Hasil ekstraksi fitur dengan fuzzy entropy berupa vektor ciri
yang diperoleh dari beberapa tahapan yaitu citra hasil praproses (Gambar 12)
ditentukan frekuensi kemunculan setiap piksel (Lampiran 3 (a)), menentukan nilai
membership function setiap piksel untuk kelas piksel gelap dengan Persamaan 1
dan piksel terang dengan Persamaan 2, menentukan peluang kemunculan setiap
piksel dengan Persamaan 3 (Lampiran 3 (b)), menentukan peluang piksel gelap
dengan Persamaan 4 (Lampiran 4 (a)) dan peluang piksel terang dengan
Persamaan 5 (Lampiran 4 (b)), menentukan nilai fuzzy entropy untuk piksel gelap
dengan Persamaan 8 (Lampiran 5 (a)) dan nilai fuzzy entropy untuk piksel terang
dengan Persamaan 9 (Lampiran 5 (b)), menentukan nilai fuzzy entropy dengan
Persamaan 10 (Lampiran 6 (a)). Vektor ciri yang dihasilkan berupa nilai fuzzy
entropy untuk setiap piksel yang dinormalisasi agar perbedaan nilai fuzzy entropy
13
antar piksel tidak terlalu besar (Lampiran 6 (b)). Lampiran 7 memperlihatkan ratarata fuzzy entropy setiap piksel citra brown spot. Lampiran 8 memperlihatkan
rata-rata fuzzy entropy setiap piksel citra leaf blast. Lampiran 9 memperlihatkan
rata-rata fuzzy entropy setiap piksel citra tungro. Lampiran 10 memperlihatkan
rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri.
Gambar 12 Citra hasil praproses
Identifikasi Penyakit tanpa Filter Laplacian
Identifikasi penyakit dilakukan dengan menggunakan sistem yang diberi
nama I-PEDIA. Data uji dapat diambil dari galeri atau kamera mobile. Data uji
yang diambil dari kamera mobile harus di-crop pada bagian citra daun yang
terkena penyakit, kemudian disimpan di galeri mobile. Data uji yang di-crop di
ambil dari galeri mobile untuk didentifikasi pada sistem I-PEDIA. Data uji yang
dimasukkan ke sistem akan diekstraksi dan diidentifikasi, kemudian sistem akan
mengeluarkan hasil identifikasi data uji tersebut. Hasil identifikasi berupa namanama penyakit beserta nilai peluangnya. Nama penyakit yang memiliki nilai
peluang terbesar merupakan hasil dari identifikasi data uji. Screenshoot dari
pengujian identifikasi data uji dapat dilihat pada Lampiran 11.
Identifikasi penyakit menggunakan PNN dengan bias (σ) 0.07 yang
diperoleh dari hasil percobaan. Pada tahap praproses, citra grayscale tidak
ditingkatkan kekontrasannya menggunakan filter Laplacian, kemudian diekstraksi
menggunakan fuzzy entropy. Hasil ekstraksi ciri berupa vektor nilai fuzzy entropy
setiap piksel citra. Hasil identifikasi penyakit dapat dilihat pada Gambar 13.
Gambar 13 memperlihatkan bahwa akurasi terendah ada pada penyakit tungro
yaitu 76%. Tabel 5 memperlihatkan confusion matrix hasil identifikasi penyakit.
Pada Tabel 5, dapat dilihat penyakit tungro yang teridentifikasi dengan benar
sebanyak 76 citra dan penyakit tungro yang teridentifikasi sebagi penyakit hawar
daun bakteri sebanyak 24 citra. Hal ini karena grafik fuzzy entropy setiap piksel
citra penyakit tungro (Lampiran 9 (a)) seperti grafik fuzzy entropy setiap piksel
citra hawar daun bakteri (Lampiran 10 (a)). Lampiran 12 memperlihatkan citra
penyakit tungro yang teridentifikasi sebagai penyakit hawar daun bakteri. Akurasi
hasil identifikasi penyakit sebesar 91.46%.
Tabel 5 Confusion matrix hasil identifikasi penyakit tanpa filter Laplacian
Penyakit
Brown spot
Leaf blast
Tungro
Hawar daun bakteri
Jumlah penyakit yang teridentifikasi dengan benar
Brown spot Leaf blast
Tungro
Hawar daun bakteri
28
0
0
0
0
100
0
0
0
0
76
24
0
0
4
96
Akurasi (%)
14
100
100
90
80
70
60
50
40
30
20
10
0
100
96
76
Brown spot
Leaf blast
Tungro
Hawar daun
bakteri
Jenis penyakit
Gambar 13 Akurasi hasil identifikasi penyakit tanpa filter Laplacian
Identifikasi Penyakit dengan Filter Laplacian
Identifikasi penyakit dilakukan dengan menggunakan sistem yang diberi
nama I-PEDIA. Identifikasi penyakit menggunakan PNN dengan bias (σ) 0.07
yang diperoleh dari hasil percobaan. Pada tahap praproses, citra grayscale
ditingkatkan kekontrasannya menggunakan filter Laplacian, kemudian diekstraksi
menggunakan fuzzy entropy. Hasil ekstraksi ciri berupa vektor nilai fuzzy entropy
setiap piksel citra. Penggunaan filter Laplacian pada tahap praproses data hanya
meningkatkan akurasi pada penyakit tungro, sedangkan akurasi penyakit brown
spot, leaf blast, dan hawar daun bakteri menurun. Hasil identifikasi penyakit dapat
dilihat pada Gambar 14. Gambar 14 memperlihatkan bahwa akurasi terendah ada
pada penyakit hawar daun bakteri yaitu 79%. Tabel 6 memperlihatkan confusion
matrix hasil identifikasi penyakit. Pada Tabel 6, dapat dilihat penyakit hawar daun
bakteri yang teridentifikasi dengan benar sebanyak 79 dan penyakit hawar daun
bakteri yang teridentifikasi sebagi penyakit tungro sebanyak 21 citra. Hal ini
karena grafik fuzzy entropy setiap piksel citra penyakit hawar daun bakteri
(Lampiran 10 (b)) memiliki bentuk yang hampir mirip dengan grafik fuzzy entropy
setiap piksel citra tungro (Lampiran 9 (b)). Lampiran 13 memperlihatkan citra
penyakit yang teridentifikasi sebagai penyakit hawar daun bakteri. Akurasi hasil
identifikasi penyakit sebesar 90.55%.
Tabel 6 Confusion matrix hasil identifikasi penyakit dengan filter Laplacian
Penyakit
Brown spot
Leaf blast
Tungro
Hawar daun bakteri
Jumlah penyakit yang teridentifikasi dengan benar
Brown spot Leaf blast
Tungro
Hawar daun bakteri
24
0
4
0
0
97
0
3
0
1
97
2
0
0
21
79
Akurasi (%)
15
100
90
80
70
60
50
40
30
20
10
0
97
97
85.71
Brown spot
79
Leaf blast
Tungro
Hawar daun
bakteri
Jenis penyakit
Gambar 14 Akurasi hasil identifikasi penyakit dengan filter Laplacian
SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, aplikasi mobile untuk mengidentifikasi penyakit
tanaman padi berhasil diimplementasikan. Hasil ekstraksi fitur fuzzy entropy citra
dapat digunakan untuk mengidentifikasi jenis penyakit tanaman padi
menggunakan klasifikasi PNN. Bias (σ) PNN yang digunakan sebesar 0.07.
Akurasi identifkasi penyakit tanaman padi pada penelitian ini adalah
sebagai berikut:
tanpa penggunaan filter Laplacian pada tahap praproses data menghasilkan
akurasi sebesar 91.46%.
dengan penggunaan filter Laplacian pada tahap praproses data menghasilkan
akurasi sebesar 90.55%.
Saran
Penelitian ini menggunakan data citra jenis penyakit yang relatif sedikit
jumlahnya, sehingga
untuk penelitian selanjutnya disarankan untuk
memperbanyak data citra jenis penyakit.
16
DAFTAR PUSTAKA
[DJTP] Direktorat Jenderal Tanaman Pangan Kementerian Pertanian Republik
Indonesia. 2012. Evaluasi prakiraan serangan OPT utama tanaman padi, jagung,
kedelai musim tanam 2011/2012 terhadap angka kejadian selama bulan
Oktober 2011-Maret 2012 [Internet]. [diunduh 2013 Mei 28]. Tersedia pada:
http://tanamanpangan.deptan.go.id/index.php/folder/detail/3/3/131.
[DJTP] Direktorat Jenderal Tanaman Pangan Kementerian Pertanian Republik
Indonesia. 2010. Laporan tahunan 2010 [Internet]. [diunduh 2013 Mei 29].
Tersedia pada: http://tanamanpangan.deptan.go.id/doc_upload/44_Laptah%20
Ditjen%202010.pdf.
Gonzalez RC, Woods RE. 2002. Digital Image Processing. Ed ke-2. New Jersey
(US): Prentice-Hall.
Gutierrez-Osuna R. 2002. Pattern analysis for machine olfaction : a review. IEEE
Sensors Journal. 2:189-202.
Irfansyah M. 2011. Pengukuran kinerja k-nearest neighbors dan self organizing
maps menggunakan fitur fast fourier transform [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Kurniawan T. 2013. Ekstraksi tekstur citra menggunakan local binary pattern
untuk identifikasi penyakit tanaman padi dan anthurium berbasis website
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Rajan AS. 2012. Image processing techniques for diagnosing paddy disease. Di
dalam: World Congress on Engineering; 2012 Jul 4-6; London, UK.
Syam M, Suparyono, Hermanto, Wuryandari SD. 2003. Masalah Lapang Hama
Penyakit Hara pada Padi. Bogor (ID): Puslitbang Pertanian Tanaman Pangan.
Tan PN, Steinbach M, Kumar V. 2006. Introduction to Data Mining. Pearson
(US): Addison Wesley.
Tao W, Jin H, Liu L. 2007. Object segmentation using ant colony optimization
algorithm and fuzzy entropy. Pattern Recognition. 28:788-796.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A leaf
recognition algorithm for plant classification using probabilistic neural network
[Internet]. [diunduh 2013 Jan 21]. Tersedia pada: http://arxiv.org/pdf/
0707.4289.pdf.
17
Lampiran 1 Contoh citra daun tanaman padi untuk masing-masing kelas penyakit
1
Citra brown spot
2
Citra leaf blast
3
Citra tungro
4
Citra hawar daun bakteri
18
Lampiran 2 Contoh citra daun padi yang di-crop
1
Citra brown spot
2
Citra leaf blast
3
Citra tungro
4
Citra hawar daun bakteri
19
0.025
Peluang
300
250
200
150
100
50
0
0.020
0.015
0.010
0.005
1
21
41
61
81
101
121
141
161
181
201
221
241
0.000
1
21
41
61
81
101
121
141
161
181
201
221
241
Frekuensi
Lampiran 3 Frekuensi kemunculan piksel (a); peluang kemunculan setiap piksel (b)
Piksel citra
Piksel citra
(a)
(b)
Lampiran 4 Peluang piksel gelap (a); peluang piksel terang (b)
0.015
Peluang
Peluang
0.020
0.015
0.010
0.005
0.005
1
21
41
61
81
101
121
141
161
181
201
221
241
0.000
1
21
41
61
81
101
121
141
161
181
201
221
241
0.000
0.010
Piksel citra
Piksel citra
(a)
(b)
Lampiran 5 Nilai fuzzy entropy piksel gelap (a); nilai fuzzy entropy piksel terang (b)
0.15
0.10
0.05
0.00
Piksel citra
(a)
0.15
0.10
0.05
0.00
1
21
41
61
81
101
121
141
161
181
201
221
241
Fuzzy entropy
0.20
1
21
41
61
81
101
121
141
161
181
201
221
241
Fuzzy entropy
0.20
Piksel citra
(b)
20
Lampiran 6 Nilai fuzzy entropy setiap piksel (a); nilai fuzzy entropy yang dinormalisasi
(b)
0.20
Fuzzy entropy
Fuzzy entropy
0.25
0.20
0.15
0.10
0.05
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
0.15
Piksel citra
Piksel citra
(a)
(b)
Lampiran 7 Rata-rata fuzzy entropy setiap piksel citra brown spot: tanpa filter Laplacian
(a); dengan filter Laplacian (b)
0.20
Fuzzy entropy
Fuzzy entropy
0.25
0.20
0.15
0.10
0.05
0.00
0.15
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
1
25
49
73
97
121
145
169
193
217
241
0.00
Piksel citra
Piksel citra
(a)
(b)
0.12
0.10
0.08
0.06
0.04
0.02
0.00
Fuzzy entropy
0.25
0.20
0.15
0.10
0.05
Piksel citra
(a)
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
1
25
49
73
97
121
145
169
193
217
241
Fuzzy entropy
Lampiran 8 Rata-rata fuzzy entropy setiap piksel citra leaf blast: tanpa filter Laplacian
(a); dengan filter Laplacian (b)
Piksel citra
(b)
21
Lampiran 9 Rata-rata fuzzy entropy setiap piksel citra tungro: tanpa filter Laplacian (a);
dengan filter Laplacian (b)
0.25
Fuzzy entropy
Fuzzy entropy
0.20
0.15
0.10
0.05
0.00
0.20
0.15
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
1
25
49
73
97
121
145
169
193
217
241
0.00
Piksel citra
Piksel citra
(a)
(b)
Lampiran 10 Rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri: tanpa filter
Laplacian (a); dengan filter Laplacian (b)
Fuzzy entropy
0.15
0.10
0.05
1
21
41
61
81
101
121
141
161
181
201
221
241
0.00
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
1
21
41
61
81
101
121
141
161
181
201
221
241
Fuzzy entropy
0.20
Piksel citra
Piksel citra
(a)
(b)
22
Lampiran 11 Screenshoot sistem I-PEDIA
Main Menu
Jenis Penyakit
Proses Identifikasi
Detail Penyakit
23
Lampiran 12 Citra penyakit tungro yang teridentifikasi sebagai penyakit hawar
daun bakteri
24
Lampiran 13 Citra penyakit hawar daun bakteri yang teridentifikasi sebagai
penyakit tungro
25
RIWAYAT HIDUP
Penulis dilahirkan di Pati pada tanggal 21 September 1990. Penulis
merupakan putra pertama dari tiga bersaudara dari pasangan Bapak Jamasri dan
Ibu Siti Kholimah. Pada tahun 2008, penulis lulus dari Sekolah Menengah Atas
(SMA) Negeri 2 Pati dan diterima di Program Studi Ilmu Komputer Institut
Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).
Pada tahun 2009, penulis mendapatkan nilai ujian akhir semester tertinggi
untuk mata kuliah Pengantar Matematika. Pada tahun 2012, penulis melaksanakan
kegiatan praktik kerja lapang di RCTI selama 35 hari. Selama menempuh
pendidikan di IPB, penulis pernah aktif di Serambi Ruhiyah Mahasiswa G
(Serum-G) dan Unit Kegiatan Mahasiswa Merpati Putih.