3
misal satu hari digenangi dan tiga hari dikeringkan.
Gambar 3 Hawar daun.
4. Tungro
Tungro merupakan salah satu penyakit penting pada padi sangat merusak dan tersebar
luas. Di Indonesia, semula penyakit ini hanya terbatas di Sulawesi Selatan, tetapi sejak awal
tahun 1980-an menyebar ke Bali, Jawa Timur, dan sekarang sudah menyebar ke hampir
seluruh wilayah Indonesia. Bergantung pada saat tanaman terinfeksi, tungro dapat
menyebabkan kehilangan hasil 5-70. Makin awal tanaman terinfeksi tungro, makin besar
kehilangan hasil yang ditimbulkannya.
Gejala serangan tungro yang menonjol adalah perubahan warna daun dan tanaman
tumbuh kerdil. Warna daun tanaman sakit bervariasi dari sedikit menguning sampai
jingga. Tingkat kekerdilan tanaman juga bervariasi dari sedikit kerdil sampai sangat
kerdil. Gejala khas ini ditentukan oleh tingkat ketahanan varietas, kondisi lingkungan, dan
fase tumbuh saat tanaman terinfeksi. Penyakit tungro ditularkan oleh wereng hijau.
Penyakit tungro dapat dikendalikan melalui pergiliran varietas tahan yang
memiliki tetua berbeda, pengaturan waktu tanam, sanitasi dengan menghilangkan sumber
tanaman sakit, dan penekanan populasi wereng hijau dengan insektisida.
Gambar 4 Tungro.
5. Bercak Daun
Pada tanaman hias anthurium, penyakit bercak daun harus diwaspadai dan biasanya
sangat di takuti oleh penghobi. Daun yang terkena penyakit ini tampak kekuning-
kuningan dengan bercak-bercak berwarna coklat. Bila dibiarkan, dalam jangka beberapa
waktu bercak itu berubah sedikit kehitaman. Serangan itu ditengarahi karena bakteri
pseudomonas cichorii
dan xanthomonas campestris
. Kedua bakteri tersebut hadir melalui luka di daun. Penyakit itu dapat
diatasi menggunakan bakterisida berbahan aktif mancozeb.
Gambar 5 Bercak daun.
6. Bercak Kuning
Anthurium yang terserang penyakit bercak kuning umumnya sulit disembuhkan, karena
penyakit ini sangat cepat menyebar ke seluruh tanaman. Mula-mula muncul noktah kecil
berwarna kuning pada daun yang semakin lama semakin lebar, hingga seluruh
permukaan daun anthurium tertutup warna kuning. Setelah satu daun terserang, maka
daun-daun yang lain tinggal menunggu giliran, sampai semua kuning dan akhirnya
tidak bisa diselamatkan.
Sampai saat ini masih belum diketahui secara pasti penyebab penyakit ini. Para hobiis
menganggap penyakit ini bersifat multifaktor seperti media terlalu lembab, aliran udara
tidak lancar, komposisi media kurang tepat dan kelebihan pupuk kandang.
Meski belum pasti disebabkan oleh jamur, tetapi pengendalian dengan menggunakan
fungisida patut dicoba. Cara paling ekstrim yang bisa dilakukan adalah menggunduli
semua daun tanaman yang terserang, lalu menyemprot dengan larutan fungisida.
Anakan yang muncul nantinya diharapkan akan menjadi tanaman yang sehat.
Gambar 6 Bercak kuning.
Citra
Istilah citra yang digunakan dalam bidang pengolahan citra diartikan sebagai suatu
fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi, dengan
menyatakan suatu koordinat, dan nilai pada setiap titik
menyatakan intensitas, tingkat kecerahan, atau derajat keabuan
Murni 1992.
Algoritme Zooming
Algoritme Zooming adalah metode yang ditujukan untuk menambah atau mengurangi
jumlah pixel pada sebuah citra digital. Pixel baru didapat dengan cara mengambil
informasi dari pixel tetangga yang terdekat pada image asli Phadikar Sil 2008.
4
Algoritme zooming sebagai berikut: 1.
Langkah pertama adalah menentukan faktor skala
dan dengan
adalah ukuran dari citra asli. 2.
Untuk langkah kedua: a.
Semua titik pixel dari citra asli yang terletak diposisi
ditempatkan diposisi sesuai dengan persamaan
berikut: 1
Seperti posisi yang ditunjukkan area berwarna kuning dengan nilai gray
dan Gambar 7. b.
Pilih baris pertama dan tentukan kolom yang akan dihitung titik
pikselnya. Titik itu merupakan titik tengah. Misalkan titik itu adalah titik
Gambar 7 yang berada di antara titik
dan . Kemudian dihitung dengan menggunakan persamaan:
2 dengan 1 dan
adalah jarak antara titik ke dan titik ke .
c. Untuk menentukan nilai dari titik
yang belum dihitung sebelumnya misalkan titik Gambar 7, dihitung
berdasarkan nilai rata-rata empat tetangganya. Sebagai catatan, hanya
titik-titik yang nilainya telah dihitung di langkah sebelumnya yang dapat
digunakan untuk menghitung nilai dari titik .
Gambar 7 Ilustrasi algoritme zooming.
Ekstraksi Fitur
Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari suatu citra. Secara
umum, fitur citra berupa warna, bentuk dan tekstur. Acharya dan Ray 2005
mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap
posisi, orientasi dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau
pola-pola yang ada pada suatu daerah bagian citra.
Tekstur
Pada area pemrosesan citra tidak ada definisi yang jelas tentang tekstur. Hal ini
disebabkan definisi tekstur yang ada didasarkan kepada metode analisis tekstur dan
fitur yang diekstrak dari citra. Akan tetapi, tekstur dapat dianggap sebagai pola piksel
yang berulang pada wilayah spasial dimana penambahan noise pada pola dan perulangan
frekuensinya, dapat terlihat secara acak dan tidak terstruktur Osadebey 2006.
Beberapa metode yang berbeda diusulkan untuk menghitung ciri tekstur karena tidak ada
definisi matematika yang jelas tentang tekstur. Metode yang paling sering digunakan untuk
mendeskripsikan ciri tekstur adalah metode berbasis statistika dan berbasis transformasi
Osadebey 2006.
Fast Fourier Transform
Secara umum, metode yang digunakan dalam pemrosesan citra digital dapat dibagi
menjadi dua kelompok, yaitu metode spatial domain dan metode frequency domain. Pada
metode spatial domain, pemrosesan dilakukan dengan cara memanipulasi nilai pixel dari citra
tersebut secara langsung Nugroho 2005. Pengolahan citra digital dengan metode
frequency
domain, informasi citra digital ditransformasikan lebih dulu dengan
transformasi fourier, kemudian dilakukan manipulasi pada hasil transformasi Fourier
tersebut. Setelah manipulasi selesai, dilakukan inverse
transformasi fourier untuk mendapatkan informasi citra kembali. Metode
frequency domain ini dapat digunakan untuk
menyelesaikan masalah-masalah tertentu yang sulit jika dilakukan dengan menggunakan
metode spatial domain. Teknik perhitungan transformasi fourier
diskret didefenisikan sebagai berikut :
3 dan
5
dengan 4
Hasil dari perhitungan ini merupakan bilangan kompleks yang dinyatakan dengan:
5 dengan
dan adalah komponen real
dan imajiner dari . Jika dipecah dalam
komponen modul amplitudo dan fasa spektrum menjadi:
6 dengan
adalah magnitude dari ,
dinyatakan dengan : 7
8 Fungsi magnitude
disebut juga spektrum fourier dari
, dan disebut
dengan sudut fase dari .
Hasil transformasi dapat ditampilkan sebagai citra, namun karena dynamic range
dari spektrum fourier biasanya sangat besar, maka sebelum ditampilkan sebagai citra harus
diubah menjadi:
9 dengan adalah konstanta. Selanjutnya yang
ditampilkan sebagai citra adalah nilai dari yang memiliki dynamic range lebih
kecil daripada .
Klasifikasi
Klasifikasi merupakan bentuk analisis data yang dapat digunakan untuk membangun
model berdasarkan kelas data yang tersedia atau untuk memprediksi trend data
selanjutnya Han Kamber 2006.
k-Nearest Neighbour k-NN
k-Nearest Neighbor k-NN adalah suatu
metode yang menggunakan algoritme supervised
dimana hasil dari query instance yang baru, diklasifikasikan berdasarkan
mayoritas dari kategori pada k-NN. Tujuan dari algoritme ini adalah menglasifikasi objek
baru berdasakan atribut dan training sample. Algoritme k-NN sangatlah sederhana, bekerja
berdasarkan pada jarak terpendek dari query instance
ke training sample
untuk menentukan k-NN nya Ramadan 2006.
Dekat atau jauhnya tetangga tersebut biasanya dihitung berdasarkan jarak Euclidian
dengan persamaan sebagai berikut:
10 dengan :
: jarak data uji ke data pembelajaran. : data uji ke- , dengan = 1, 2, . . . ,
: data belajar ke- , dengan = 1, 2, . . . , Klasifikasi k-NN dilakukan dengan
mencari k buah tetangga terdekat dari data uji dan memilih kelas dengan anggota terbanyak.
Adapun langkah-langkah klasifikasi k-NN adalah sebagai berikut :
1. Tentukan parameter k, k merupakan
jumlah tetangga terdekat. 2.
Hitung jarak antara query instance dan semua sampel pelatihan.
3. Urutkan jarak dan tentukan tetangga
terdekat berdasar jarak minimum k-th. 4.
Kumpulkan kategori Y dari tetangga terdekat.
5. Gunakan mayoritas kecil dari kategori
tetangga terdekat sebagai nilai prediksi query instance
.
Jaringan syaraf tiruan Self Organizing
Maps SOM
Jaringan syaraf tiruan Self Organizing Maps
SOM atau disebut juga dengan jaringan Kohonen telah banyak dimanfaatkan
untuk pengenalan pola baik berupa citra, suara, dan lain-lain. Jaringan SOM sering pula
digunakan untuk ekstraksi ciri feature pada proses awal pengenalan pola. Jaringan SOM
mampu mereduksi dimensi input pola ke jumlah yang lebih sedikit sehingga
pemrosesan komputer menjadi lebih hemat Kohonen 2004.
Gambar 8 Ilustrasi model kohonen.
6
Metode belajar Jaringan Syaraf Tiruan SOM adalah belajar tanpa pengawasan
Unsupervised Learning. Bedanya dengan JST biasa pada proses belajar adalah tanpa
pengawasan, dimana perubahan bobot-bobot interkoneksinya sebagai tanggapan terhadap
masukan dan tanpa memerlukan jawaban targetnya. Jaringan syaraf tiruan SOM terdiri
dari dua lapisan yang terhubung penuh, yaitu lapisan masukan dan lapisan kompetitif yang
biasanya terbentuk dua dimensi.
Algoritme Self Organizing Map SOM
Misalkan m adalah dimensi dari vektor input
x = [x
1
,x
2
,...x
m
]
T
. Vektor bobot untuk node output j memiliki dimensi yang sama
dengan vektor input, sehingga untuk neuron j, bobot vektor akan menjadi: w
j
= [w
j1
, w
j2
, …,w
jm
]
T
Kohonen 2004. Berikut ini adalah algoritme SOM, untuk
setiap vektor input x: 1.
Kompetisi. Dengan menggunakan fungsi jarak, hitung nilai
untuk setiap node
output j. Cari node pemenang j Best matching Unit
BMU, yaitu node output yang memiliki kemiripan tertinggi dengan
vektor input
, dengan nilai yang meminimumkan
.
2. Kooperasi. Identifikasi seluruh node
output j
dalam lingkungan node pemenang j dengan menggunakan ukuran
node tetangga neighborhood function
. 3.
Adaptasi, memperbaharui nilai bobot vektor:
11 4.
Perbaharui learning rate η dan ukuran node
tetangga h
ij.
5. Hentikan perlakuan ketika kriteria
pemberhentian telah dicapai. Keterangan :
1. Inisialisasi nilai bobot awal biasanya
menggunakan nilai tengah middle point atau menggunakan nilai acak.
2. Fungsi jarak menggunakan jarak euclid
Euclidean Distance
12 3.
Ukuran node tetangga h
ij
digunakan untuk mengetahui derajat keanggotaan
degree of membership dari node i dalam lingkungan yang berpusat pada node j.
Ukuran node tetangga ini diperoleh dengan menggunakan fungsi Gaussian
13 dengan d
ij
merupakan jarak antara node i dan j dan parameter sebagai ‘lebar
efektif’ dari lingkungan. Gambar 9 mengilustrasikan konsep dari fungsi
Gaussian :
Gambar 9 Fungsi node tetangga gaussian. 4.
Kriteria pemberhentian bisa berupa pembatasan jumlah iterasi, atau ketika
η = 0
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, ekstraksi ciri,
pembangunan model Jaringan syaraf tiruan Self Organizing Maps
dan k-Nearest Neighbour
, identifikasi penyakit dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan
dalam penelitian ini dapat diilustrasikan pada Gambar 10.
Gambar 10 Metode penelitian.
6
Metode belajar Jaringan Syaraf Tiruan SOM adalah belajar tanpa pengawasan
Unsupervised Learning. Bedanya dengan JST biasa pada proses belajar adalah tanpa
pengawasan, dimana perubahan bobot-bobot interkoneksinya sebagai tanggapan terhadap
masukan dan tanpa memerlukan jawaban targetnya. Jaringan syaraf tiruan SOM terdiri
dari dua lapisan yang terhubung penuh, yaitu lapisan masukan dan lapisan kompetitif yang
biasanya terbentuk dua dimensi.
Algoritme Self Organizing Map SOM
Misalkan m adalah dimensi dari vektor input
x = [x
1
,x
2
,...x
m
]
T
. Vektor bobot untuk node output j memiliki dimensi yang sama
dengan vektor input, sehingga untuk neuron j, bobot vektor akan menjadi: w
j
= [w
j1
, w
j2
, …,w
jm
]
T
Kohonen 2004. Berikut ini adalah algoritme SOM, untuk
setiap vektor input x: 1.
Kompetisi. Dengan menggunakan fungsi jarak, hitung nilai
untuk setiap node
output j. Cari node pemenang j Best matching Unit
BMU, yaitu node output yang memiliki kemiripan tertinggi dengan
vektor input
, dengan nilai yang meminimumkan
.
2. Kooperasi. Identifikasi seluruh node
output j
dalam lingkungan node pemenang j dengan menggunakan ukuran
node tetangga neighborhood function
. 3.
Adaptasi, memperbaharui nilai bobot vektor:
11 4.
Perbaharui learning rate η dan ukuran node
tetangga h
ij.
5. Hentikan perlakuan ketika kriteria
pemberhentian telah dicapai. Keterangan :
1. Inisialisasi nilai bobot awal biasanya
menggunakan nilai tengah middle point atau menggunakan nilai acak.
2. Fungsi jarak menggunakan jarak euclid
Euclidean Distance
12 3.
Ukuran node tetangga h
ij
digunakan untuk mengetahui derajat keanggotaan
degree of membership dari node i dalam lingkungan yang berpusat pada node j.
Ukuran node tetangga ini diperoleh dengan menggunakan fungsi Gaussian
13 dengan d
ij
merupakan jarak antara node i dan j dan parameter sebagai ‘lebar
efektif’ dari lingkungan. Gambar 9 mengilustrasikan konsep dari fungsi
Gaussian :
Gambar 9 Fungsi node tetangga gaussian. 4.
Kriteria pemberhentian bisa berupa pembatasan jumlah iterasi, atau ketika
η = 0
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, ekstraksi ciri,
pembangunan model Jaringan syaraf tiruan Self Organizing Maps
dan k-Nearest Neighbour
, identifikasi penyakit dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan
dalam penelitian ini dapat diilustrasikan pada Gambar 10.
Gambar 10 Metode penelitian.
7
Data
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 dan Balai Penelitian Cipanas Bogor, Jawa barat, Indonesia. Data
berupa citra daun yang berpenyakit sebanyak enam ratus citra berformat JPEG yang
dikelompokkan ke dalam enam kelas antara lain enam kelas penyakit padi yaitu Leaf
blast, Brown spot,
Hawar daun bakteri, dan Tungro, dua kelas penyakit anthurium yaitu
Bercak daun dan Bercak kuning yang tersimpan dalam format JPG berukuran
80x150 piksel. Beberapa contoh citra yang digunakan dapat dilihat pada Lampiran 1.
Praproses
Tahap praproses citra dilakukan untuk mempersiapkan citra yang digunakan sebelum
masuk ke dalam tahap ekstraksi. Citra daun merupakan citra RGB dengan latar belakang
putih, sebelum dilakukan ekstraksi ciri terlebih dahulu citra diubah ke bentuk
grayscale
yang selanjutnya dilakukan proses cropping
agar fokus pada bagian citra daun yang terkena penyakit, kemudian dilakukan
proses zooming, hal ini dimaksudkan agar ukuran citra untuk proses selanjutnya
berukuran sama.
Ekstraksi Ciri Tekstur
Pada tahap ini citra grayscale hasil cropping
dan zooming digunakan sebagai masukan untuk ekstraksi tekstur. Adakalanya
suatu citra diubah dari satu domain ke domain lainnya, perubahan ini bertujuan untuk
mempermudah pengkodean yang dikenal sebagai proses transformasi.
Transformasi Fourier akan mengubah citra dari domain spatial ke domain frekuensi,
Transformasi fourier juga akan menghasilkan Fourier spektrum. fourier spektrum diproses
melalui beberapa tahap yaitu menghitung log spektrum digunakan untuk menyesuaikan
besarnya frekuensi spektrum, kemudian
melakukan pergeseran shifting digunakan untuk melakukan pergeseran dari
hasil transformasi fourier ke titik pusat spektrum. Fourier spektrum dapat
memberikan informasi tentang tinggi rendah frekuensi citra.
Pembagian Data Latih dan Data Uji
Seluruh data hasil ekstraksi masing-masing ciri dibagi menjadi data latih dan data uji.
Data latih digunakan sebagai input pelatihan menggunakan k-NN dan SOM sedangkan data
uji digunakan untuk model hasil pelatihan menggunakan k-NN dan SOM. Prosentase
data latih dan data uji yang dicobakan pada penelitian ini adalah 70-30.
Klasifikasi Menggunakan k-Nearest
Neighbour k-NN
Nearest Neighbor adalah pendekatan untuk
mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu
berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Untuk mencari kasus
citra mana yang akan digunakan maka dihitung kedekatan kasus citra baru dengan
semua kasus citra lama. Kasus citra lama dengan kedekatan terbesarlah yang akan
diambil solusinya untuk digunakan pada kasus citra baru. Pada penelitian ini parameter k
yang digunakan adalah 2,3,4 dan 5.
Pelatihan training Menggunakan SOM
Ukuran map SOM yang digunakan pada penelitian ini adalah 2x3 Gambar 11 dan
iterasi sebanyak lima puluh kali. Data input berupa citra berukuran 80x150 piksel yang
akan direshape menjadi 1x12.000. Pada SOM, terdapat beberapa parameter yang dapat
mempengaruhi hasil klasifikasi, di antaranya learning rate
η dan ukuran node tetangga h
ij
. Penggunaan kombinasi parameter yang tepat, dapat memberikan hasil klasifikasi yang
lebih efektif. Oleh karena itu, dilakukanlah proses pelatihan terhadap kedua parameter
tersebut.
Pada penelitian ini parameter learning rate
η yang digunakan adalah 0.02,0.03 dan 0.04. Untuk parameter ukuran node tetangga
h
ij
adalah 1. Tiap-tiap kombinasi dari kedua parameter tersebut akan digunakan dalam
algoritme SOM. Hasil dari tahap pelatihan ini adalah vektor bobot akhir yang akan
digunakan sebagai model clustering untuk mengelompokkan citra-citra dalam database.
Gambar 11 Ilustrasi model SOM. Node input
Node output
8
Pengujian testing Menggunakan SOM
Tahapan pengujian dilakukan dengan melakukan pengukuran kedekatan antara
vektor input terhadap vektor bobot akhir yang diperoleh pada tahap pelatihan. Hasil dari
pengukuran kedekatan tersebut adalah clustering
vektor input ke dalam enam cluster citra, yaitu Leaf blast, Brown spot, Hawar
daun bakteri, Tungro, Bercak daun dan Bercak kuning.
Evaluasi Hasil Identifikasi
Kinerja model k-NN dan SOM akan ditentukan dan dibandingkan melalui besaran
akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen , akurasi dapat
dihitung dengan persamaan berikut:
14 Akurasi terbaik dari hasil berbagai
kombinasi model klasifikasi dan teknik kombinasi merupakan model yang akan
dipakai untuk identifikasi penyakit pada citra daun kueri baru.
Lingkungan Pengembangan
Sistem ini dikembangkan dan diimplementasikan menggunakan perangkat
keras dan perangkat lunak sebagai berikut : 1.
Perangkat Keras : a.
Intel Core 2Duo 1.5 GHz 2
CPUs, b.
Memori 2 GB, c.
Hard Disk kapasitas 160 GB. 2.
Perangkat Lunak : a.
Windows 7 sebagai sistem operasi, b.
Matlab 7.7, c.
Photoshop CS 3.
HASIL DAN PEMBAHASAN
Pada penelitian ini citra hasil ekstraksi ciri akan dilakukan identifikasi menggunakan
metode k-NN dan SOM.
Hasil Praproses
Pada tahap awal praproses, terlebih dahulu citra RGB diubah ke bentuk grayscale yang
selanjutnya dilakukan proses cropping agar fokus pada bagian citra daun yang terkena
penyakit. Agar ukuran citra untuk proses selanjutnya berukuran sama. dilakukan proses
zooming
. Hasil praproses data dapat dilihat pada Gambar 12.
Gambar 12 Praproses data.
Ekstraksi Ciri Tekstur
Ekstraksi ciri merupakan tahapan untuk mengambil ciri-ciri yang ada pada suatu citra
untuk kemudian dilakukan klasifikasi berdasarkan hasil ekstraksi. Pada penelitian
ini, proses ekstraksi ciri dilakukan dengan metode fast fourier transform.
Hasil dari ekstraksi ciri tekstur tersebut akan menghasilkan spektrum fourier.
Spektrum fourier yang dihasilkan kemudian dijadikan input untuk proses identifikasi
menggunakan k-NN dan SOM. Hasil ekstraksi ciri data dapat dilihat pada Gambar 13.
Gambar 13 Citra asli, spektrum fouriernya.
Identifikasi Penyakit
Dalam penelitian ini untuk setiap percobaan, perbandingan data latih dan data
uji sebesar 70 dan 30. Semua data latih dan uji melalui tahap ekstraksi ciri tekstur
menggunakan fast fourier transform, setelah itu data latih dikelompokkan sesuai dengan
kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan identifikasi
menggunakan k-NN dan SOM.
Hasil Identifikasi Penyakit dengan k-NN
Hasil identifikasi penyakit menggunakan k-NN dengan nilai k yang dicobakan yaitu
2,3,4 dan 5 dapat dilihat pada Gambar 14. Pada grafik tersebut terlihat akurasi tertinggi
dicapai ketika k=5 sebesar 76.
Gambar 14 Grafik tingkat akurasi untuk masing-masing nilai k.
8
Pengujian testing Menggunakan SOM
Tahapan pengujian dilakukan dengan melakukan pengukuran kedekatan antara
vektor input terhadap vektor bobot akhir yang diperoleh pada tahap pelatihan. Hasil dari
pengukuran kedekatan tersebut adalah clustering
vektor input ke dalam enam cluster citra, yaitu Leaf blast, Brown spot, Hawar
daun bakteri, Tungro, Bercak daun dan Bercak kuning.
Evaluasi Hasil Identifikasi
Kinerja model k-NN dan SOM akan ditentukan dan dibandingkan melalui besaran
akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen , akurasi dapat
dihitung dengan persamaan berikut:
14 Akurasi terbaik dari hasil berbagai
kombinasi model klasifikasi dan teknik kombinasi merupakan model yang akan
dipakai untuk identifikasi penyakit pada citra daun kueri baru.
Lingkungan Pengembangan
Sistem ini dikembangkan dan diimplementasikan menggunakan perangkat
keras dan perangkat lunak sebagai berikut : 1.
Perangkat Keras : a.
Intel Core 2Duo 1.5 GHz 2
CPUs, b.
Memori 2 GB, c.
Hard Disk kapasitas 160 GB. 2.
Perangkat Lunak : a.
Windows 7 sebagai sistem operasi, b.
Matlab 7.7, c.
Photoshop CS 3.
HASIL DAN PEMBAHASAN
Pada penelitian ini citra hasil ekstraksi ciri akan dilakukan identifikasi menggunakan
metode k-NN dan SOM.
Hasil Praproses
Pada tahap awal praproses, terlebih dahulu citra RGB diubah ke bentuk grayscale yang
selanjutnya dilakukan proses cropping agar fokus pada bagian citra daun yang terkena
penyakit. Agar ukuran citra untuk proses selanjutnya berukuran sama. dilakukan proses
zooming
. Hasil praproses data dapat dilihat pada Gambar 12.
Gambar 12 Praproses data.
Ekstraksi Ciri Tekstur
Ekstraksi ciri merupakan tahapan untuk mengambil ciri-ciri yang ada pada suatu citra
untuk kemudian dilakukan klasifikasi berdasarkan hasil ekstraksi. Pada penelitian
ini, proses ekstraksi ciri dilakukan dengan metode fast fourier transform.
Hasil dari ekstraksi ciri tekstur tersebut akan menghasilkan spektrum fourier.
Spektrum fourier yang dihasilkan kemudian dijadikan input untuk proses identifikasi
menggunakan k-NN dan SOM. Hasil ekstraksi ciri data dapat dilihat pada Gambar 13.
Gambar 13 Citra asli, spektrum fouriernya.
Identifikasi Penyakit
Dalam penelitian ini untuk setiap percobaan, perbandingan data latih dan data
uji sebesar 70 dan 30. Semua data latih dan uji melalui tahap ekstraksi ciri tekstur
menggunakan fast fourier transform, setelah itu data latih dikelompokkan sesuai dengan
kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan identifikasi
menggunakan k-NN dan SOM.
Hasil Identifikasi Penyakit dengan k-NN
Hasil identifikasi penyakit menggunakan k-NN dengan nilai k yang dicobakan yaitu
2,3,4 dan 5 dapat dilihat pada Gambar 14. Pada grafik tersebut terlihat akurasi tertinggi
dicapai ketika k=5 sebesar 76.
Gambar 14 Grafik tingkat akurasi untuk masing-masing nilai k.
9
Hasil identifikasi penyakit menggunakan k-NN dengan k=5 untuk masing-masing kelas
dapat dilihat pada Gambar 15. Pada grafik tersebut terlihat bahwa akurasi terendah ada
pada kelas Leaf blast sebesar 47. Hal ini menunjukkan ada beberapa citra uji untuk
kelas Leaf blast salah identifikasi atau teridentifikasi sebagai kelas lain.
Tabel 1 Perbandingan tingkat akurasi hasil identifikasi k-NN untuk setiap kelas
Kelas Akurasi
Leaf blast 47
Brown spot 80
Hawar daun 100
Tungro 83 Bercak daun
67 Bercak kuning
77
Gambar 15 Grafik tingkat akurasi hasil identifikasi k-NN dengan k=5.
Terdapat beberapa citra yang salah identifikasi, pada Tabel 2 ditunjukkan sebaran
citra hasil identifikasi, pada tabel dapat dilihat untuk kelas Leaf blast dari tiga puluh citra uji
yang berhasil teridentifikasi sebanyak empat belas citra uji, untuk enam belas citra uji
lainnya teridentifikasi sebagai lima citra uji untuk kelas Brown spot, tujuh citra uji untuk
kelas Hawar daun dan empat citra uji untuk kelas Bercak daun. Beberapa citra uji Leaf
blast
yang teridentifikasi sebagai kelas lain terjadi karena adanya kesamaan tekstur
penyakit. Tabel 2 Tingkat kesesuaian masing-masing
kelas hasil identifikasi k-NN Kelas
Benar Le Bs Hd Tr
Bd Bk
Le 14 4 0 0
1 Bs 5
24 0 0
Hd 7 0 30
5 0 0 Tr 0
25 Bd 4 2 0 0
20 7
Bk 0 0 0 0 9
23 Jumlah 30
30 30 30 30
30 Keterangan :
Le = Leaf blast Br =
Brown spot Tr =
Tungro Hd = Hawar daun
Bd = Bercak daun Bk = Bercak kuning
Hasil Identifikasi Penyakit dengan SOM 1.
Pelatihan training Menggunakan SOM
Pembentukan cluster pada metode SOM merupakan hasil pelatihan dari citra latih, dari
Tabel 3 terlihat pelatihan SOM menghasilkan enam cluster yaitu Leaf blast, Brown spot,
Hawar daun bakteri, Tungro, Bercak daun dan Bercak kuning. Dari keenam cluster yang
terbentuk, untuk cluster
Leaf blast memperoleh akurasi terendah sebesar 16,
hal ini ditunjukkan pada Gambar 16. Rendahnya akurasi Leaf blast dapat dilihat
dari sebaran citra hasil identifikasi. Pada Tabel 3 dapat dilihat untuk cluster Leaf blast
dari tujuh puluh citra latih yang berhasil teridentifikasi sebanyak sebelas citra latih,
untuk 59 citra latih lainnya teridentifikasi sebagai empat belas citra latih Brown spot,
lima citra latih Hawar daun, tiga citra latih Bercak daun dan lima belas citra latih Bercak
kuning. Beberapa citra latih Leaf blast lainnya teridentifikasi sebagai cluster lain. Hal ini
dikarenakan citra latih Leaf blast mempunyai kesamaan tekstur sehingga teridentifikasi
sebagai cluster lain.
Tabel 3 Tingkat kesesuaian masing-masing cluster
hasil pelatihan SOM
Cluster Benar
Total Le Bs Hd Tr Bd Bk
Le 11 14 5 0 3
15 48 Bs 37
53 0 0 3 3 96 Hd 0 0 41 0 8 3 52
Tr 20 0 0 69 0 0 89 Bd
22 3
4 0 44 1 74
Bk 0 0 0 0
12 49
61
Keterangan : Le = Leaf blast
Br = Brown spot
Tr = Tungro
Hd = Hawar daun Bd = Bercak daun
Bk = Bercak kuning
10
Gambar 16 Grafik tingkat akurasi hasil pelatihan SOM.
2. Pengujian testing Menggunakan SOM