Bercak Daun Bercak Kuning

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