Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor
APLIKASI BAGAN WARNA DAUN
UNTUK OPTIMASI PEMUPUKAN TANAMAN PADI
MENGGUNAKAN K-NEAREST NEIGHBOR
EDWIN SATYALESMANA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi
Menggunakan k-Nearest Neighbor adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan
tinggi manapun. 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
Edwin Satyalesmana
NIM G64104028
ABSTRAK
EDWIN. Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi
Menggunakan k-Nearest Neighbor. Dibimbing oleh SONY HARTONO
WIJAYA.
Warna daun padi sangat erat kaitannya dengan tingkat kecukupan pupuk
nitrogen (N) dalam tanah. Gejala kekurangan N yang paling jelas dan biasa
terlihat adalah berkurangnya warna hijau dari dedaunan. Pada penelitian ini
dikembangkan aplikasi mobile untuk mengidentifikasi warna daun padi dalam
menentukan takaran pupuk yang tepat. Aplikasi dibangun menggunakan fitur
histogram dari komponen warna Red, Green, Blue pada model warna RGB dan
komponen warna Hue, Saturation Value pada model warna HSV, serta model
warna grayscale. Metode klasifikasi yang digunakan adalah metode klasifikasi kNearest Neighbor (k-NN). Penelitian ini menghasilkan akurasi rata-rata tertinggi
90,63% pada komponen warna G (green), V (Value) dan grayscale. Pada metote
klasifikasi, k-NN menghasilkan akurasi rata-rata tertinggi 72,62% pada nilai k
sama dengan 3.
Kata kunci: Android, grayscale, histogram, HSV, identifikasi warna, k-Nearest
Neighbor, RGB
ABSTRACT
EDWIN. Application of Leaf Color Chart for the Opimization of Rice Plants
Fertilization Using k-Nearest Neighbor. Supervised by SONY HARTONO
WIJAYA.
The leaf color of rice is closely associated with the adequacy of nitrogen (N)
level of the ground. N deficiency symptoms that are most obvious and commonly
seen is the reduction of green color of the leaf. This research developed a mobile
application to identify the color of rice leaf and to determine the appropriate
fertilizer. The application was built by using the histogram feature of several color
components namely Red, Green, Blue in the RGB color space, Hue, Saturation
Value in the HSV color space, and grayscale. K-Nearest Neighbor was choosen as
the classification method. This research showed the highest average accuracy of
90.63% on the G (green), V (Value) and grayscale color component. The k-NN
classification method produced the highest average accuracy of 72.62% when the
value of k is equal to 3.
Keywords: Android, grayscale, histogram, HSV, color identification, k-Nearest
Neighbor, RGB
APLIKASI BAGAN WARNA DAUN
UNTUK OPTIMASI PEMUPUKAN TANAMAN PADI
MENGGUNAKAN K-NEAREST NEIGHBOR
EDWIN SATYALESMANA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Judul Skripsi : Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
Nama
: Edwin Satyalesmana
NIM
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Penguji:
1. Aziz Kustiyo, SSi MKom
2. Toto Haryanto, SKom MSi
Judul Skripsi: Aplikasi Bagan Wama Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
:
Edwin Satyalesmana
Nama
NIM
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Tanggal Lulus:
1 9 AUG i011
Judul Skripsi : Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
Nama
: Edwin Satyalesmana
NIM
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta
salam penulis sampaikan kepada Nabi Muhammad Shalallahu ‘alaihi wassalam.
Penyusunan skripsi yang mengambil tema Aplikasi Bagan Warna Daun untuk
Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor ini tidak
lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan
terima kasih kepada:
1 Kedua orang tua tercinta, Bapak Kuslan Surakusumah, dan Ibu Sulastri
Kuslan beserta Keluarga yang selalu memberikan doa dan dukungan moral.
2 Istri tercinta, Indah Dwi Nastiti dan kedua anak tersayang, Dzikri Lesmana
Putra dan Nastiasya Lesmana Putri yang selalu memberikan doa, inspirasi dan
motivasi.
3 Bapak Sony Hartono Wijaya, SKom MKom selaku dosen pembimbing yang
selalu sabar dalam memberikan ilmu dan bimbingan selama penyelesaian
skripsi.
4 Toto Haryanto, SKom MSi dan Bapak Aziz Kustiyo, SSi MKom sebagai
dosen penguji atas segala kritik, masukan dan saran yang diberikan kepada
penulis terhadap penelitian ini.
5 Bapak Prof Dr Zulkifli Zaini, MS dari International Rice Research Institut
(IRRI) dan Bapak Dr Sarlan Abdurahman dari Balai Besar Penelitian
Tanaman Padi (BBPADI) yang telah membantu dalam memperoleh data dan
sumber informasi.
6 Dedi Kiswanto, Rizkina Muhammad Syam, Desta Sandya dan teman-teman
Ekstensi Ilkom atas pengalaman berbagi ilmu, kebersamaan dan dukungannya
selama menjalani studi di Departemen Ilmu Komputer IPB.
7 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah
banyak membantu baik selama masa perkuliahan maupun pada saat penelitian.
Dan semua pihak yang telah banyak memberikan kontribusi yang besar
dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2013
Edwin Satyalesmana
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
vi
vi
vi
1
Latar Belakang Masalah
Tujuan Penelitian
Manfaat
Ruang Lingkup
TINJAUAN PUSTAKA
1
2
2
2
2
Content-based image retrieval (CBIR)
Model warna
Histogram warna
Jarak histogram
Metode Klasifikasi k-Nearest Neighbor
Android
Confusion Matrix
METODE
2
2
4
4
5
5
6
6
Akuisisi citra
Pembagian data
Praproses
Ekstraksi warna
Pembuatan histogram
Klasifikasi
Perhitungan akurasi
Pengembangan sistem
Lingkungan pengembangan
HASIL DAN PEMBAHASAN
7
7
7
7
8
8
8
8
9
9
Hasil
Pembahasan
SIMPULAN DAN SARAN
10
12
15
Simpulan
Saran
DAFTAR PUSTAKA
15
15
15
LAMPIRAN
17
RIWAYAT HIDUP
33
DAFTAR TABEL
1 Contoh tabel Confusion Matrix
2 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=1
3 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=3
4 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=5
5 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=7
6 Perbandingan nilai akurasi rata-rata untuk setiap komponen warna dan
setiap nilai k
7 Perbandingan dengan hasil penelitian terkait
6
10
11
11
11
12
14
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Bagan Warna Daun dan Digital Leaf Color Chart
Model warna RGB dan model warna HSV
Histogram warna
Komponen sistem operasi Android (Speckmann 2008)
Metode klasifikasi k-Nearest Neighbor
Metode Penelitian
Representasi citra pada histogram warna RGB, HSV dan Grayscale
Perbandingan akurasi rata-rata untuk setiap komponen warna
Perbandingan akurasi rata-rata untuk setiap nilai k
1
3
4
5
5
6
10
13
13
DAFTAR LAMPIRAN
1
2
3
4
5
6
Citra daun
Confusion matrix dengan nilai k=1
Confusion matrix dengan nilai k=3
Confusion matrix dengan nilai k=5
Confusion matrix dengan nilai k=7
Screenshoot aplikasi
19
23
25
27
29
31
1
PENDAHULUAN
Latar Belakang Masalah
Pertumbuhan tanaman padi yang baik dengan hasil tinggi membutuhkan
suplai nitrogen (N) yang cukup. Gejala kekurangan N yang paling jelas dan biasa
terlihat adalah berkurangnya warna hijau dari dedaunan (chlorosis). Daun menjadi
lebih pucat, menguning, dan pada kondisi kekurangan N yang gawat akan menjadi
mati. Menurut Furuya (1987), warna daun paling baik menunjukkan status nutrisi
tanaman.
Pemakaian Bagan Warna Daun (BWD) dalam kegiatan pemupukan N
dilakukan dengan mengukur tingkat kemiripan warna daun padi sesuai dengan
skala warna pada BWD (Gambar 1 (a)) untuk mengetahui takaran pupuk urea
yang tepat. Pemakaian BWD dapat menghemat penggunaan pupuk urea sebanyak
15-20% dari takaran yang umum digunakan petani tanpa mengurangi hasil (Balai
Besar Penelitian Tanaman Padi 2007). Permasalahan yang muncul kemudian
adalah adanya perbedaan persepsi visual setiap manusia dalam menentukan
kemiripan warna, sehingga pada tahun 2012 telah dibuat BWD versi digital yaitu
Digital Leaf Colour Chart (Gambar 1 (b)), namun harga alat tersebut masih
relatif mahal yaitu berkisar Rp. 950.000,- (Wedhaswary 2012), jauh lebih mahal
jika dibandingkan dengan BWD yang dijual dengan harga Rp. 20.000,- di kantor
perwakilan International Rice Research Institute (IRRI), di Indonesia.
(a)
(b)
Gambar 1 Bagan warna daun (a), dan Digital leaf color chart (b)
Perkembangan teknologi pada perangkat ponsel dengan sistem operasi
Android mendorong para pengembang untuk menciptakan berbagai aplikasi yang
dapat mendukung aktivitas dan pekerjaan sehari-hari. Menurut data yang dilansir
International Data Corporation (IDC), sampai dengan kuartal kedua tahun 2012
sistem operasi Android menguasai sekitar 52% dari total sistem operasi
smartphone yang dipakai di Indonesia (Wahyudi 2012).
Pada sistem temu kembali citra berbasis konten, pencarian yang paling mudah
dan efisien adalah yang berbasis warna (Sergyan 2008). Menurut Boiman et al.
(2008) metode klasifikasi k-Nearest Neighbor (k-NN) sangat sederhana, efisien dan
kinerjanya sangat baik dalam klasifikasi citra.
Berdasarkan hal tersebut, maka pada penelitian ini akan dibuat aplikasi
mobile Bagan Warna Daun pada ponsel dengan sistem operasi Android untuk
mengidentifikasi skala warna daun padi berdasarkan BWD menggunakan fitur
warna dengan metode klasifikasi k-NN.
2
Tujuan Penelitian
Tujuan penelitian ini adalah mengimplementasikan dan menganalisis kinerja
metode ekstraksi fitur warna RGB, HSV dan grayscale, menggunakan metode
klasifikasi k-Nearest Neighbor dalam mengidentifikasi skala warna pada daun
padi berdasarkan BWD.
Manfaat
Manfaat dari penelitian ini diharapkan dapat membantu penyuluh, petani
dan pengguna pada umumnya dalam mengidentifikasi skala warna daun padi
berdasarkan BWD dalam menentukan takaran pupuk nitrogen (N) yang tepat.
Ruang Lingkup
Ruang lingkup penelitian adalah sebagai berikut:
Data citra daun padi yang digunakan diakuisisi langsung dari tanaman padi,
yang berdasarkan persepsi visual mata memiliki kemiripan warna dengan
masing-masing skala warna pada BWD.
2 Bagan Warna Daun yang digunakan memiliki 4 skala warna.
3 Data yang digunakan sebanyak 20 data citra untuk tiap skala warna (4 skala
warna), dengan ukuran citra 2560 × 1920 piksel dan diakuisisi dengan
menggunakan kamera ponsel 5 megapiksel.
1
TINJAUAN PUSTAKA
Content-based image retrieval (CBIR)
Content-based image retrieval (CBIR) adalah suatu aplikasi computer
vision yang digunakan untuk melakukan identifikasi citra digital. CBIR
merupakan suatu pendekatan pada temu kembali citra yang didasarkan pada ciri
atau informasi yang terkandung di dalam citra, seperti warna, bentuk dan tekstur
(Rodrigues dan Araujo 2004). Ciri atau fitur dari citra tersebut kemudian diukur
tingkat kemiripannya dengan menggunakan metode klasifikasi.
Model warna
Dasar asumsi di dalam teori colorimetry modern yang diaplikasikan ke
dalam pengolahan citra, suatu warna didasarkan pada perbedaan eksitasi dari 3
penerima cahaya di dalam retina. Ketiga warna tersebut adalah merah, hijau dan
biru (red, green, dan blue, atau sering disingkat RGB) yang akan menentukan
warna dari suatu obyek (Ford dan Roberts 1998).
3
Di dalam model warna RGB, suatu warna dapat didefinisikan berdasarkan
tingkat intensitas dari komponen merah, hijau dan biru. Ketiga komponen tersebut
dapat digambarkan sebagai koordinat 2 dimensi yang berbentuk kubus yang
didalamnya juga mengandung informasi mengenai derajat keabuan atau grayscale
(Gambar 2 (a)). Sedangkan model warna HSV didasarkan pada tiga persepsi
manusia tentang warna, yaitu hue (keragaman warna), saturation (kejenuhan), dan
brightness (kecerahan) atau sering disebut juga dengan istilah value (Gambar 2 (b)).
(a)
(b)
Gambar 2 Model warna RGB (a), dan model warna HSV (b)
Proses konversi dari model warna RGB menjadi HSV (Acharya dan Ray
2005) menggunakan rumus:
�
�
�
;�=
;�=
255
255
255
� = ���
0 , �� ∆ = 0
�=� ∆
, �� ∆ 0
���
�−�
⎧
60
, ���� max = �
∆
⎪
�−�
� = 120 + 60
, ���� max = �
∆
⎨
�−�
⎪
⎩ 240 + 60 ∆ , ���� max = �
� = � + 360, �� � < 0
�=
Proses konversi dari model warna RGB ke model warna grayscale menghasikan 1
komponen (channel) warna, (Rabbani dan Jones 1991) menggunakan rumus:
��������� = 0,2999 ∗ � + 0,587 ∗ � + 0,114 ∗ �
dengan:
R
G
B
H
S
V
max
min
= nilai piksel R (Red)
= nilai piksel G (Green)
= nilai piksel B (Blue)
= nilai piksel H (Hue)
= nilai piksel S (Saturation)
= nilai piksel V (Value)
= max(R, G, B)
= min(R, G, B)
∆
= max – min
grayscale = nilai piksel grayscale
4
Histogram warna
Histogram adalah representasi dari frekuensi kemunculan setiap nilai warna
(Acharya dan Ray 2005). Histogram warna merupakan fitur warna yang paling
banyak digunakan karena sangat efektif mengkarakterisasikan distribusi global
dari warna dalam sebuah citra digital.
Suatu citra A dengan ukuran panjang 60 piksel dan lebar 60 piksel akan
menghasilkan sebanyak 3.600 nilai piksel yang merupakan hasil dari panjang
dikali lebar, mulai dari piksel baris ke-1, kolom ke-1 sampai dengan piksel baris
ke-60, kolom ke-60. Nilai dari masing-masing piksel tersebut memiliki rentang
antara 0 sampai dengan 255. Frekuensi kemunculan setiap nilai piksel tersebut
kemudian direpresentasikan ke dalam sebuah histogram yang memiliki rentang
antara 0 sampai dengan 255. Jika dijumlahkan keseluruhan nilai dari histogram
tersebut hasilnya adalah 3.600 sesuai dengan jumlah piksel dari ukuran citra.
Contoh histogram warna dapat dilihat pada (Gambar 3).
Gambar 3 Histogram warna
Jarak histogram
Untuk menghitung jarak antara histogram A dan histogram B dapat
menggunakan rumus jarak Euclidean (Gonzales 1987):
�
� (�, �) = ��(��� − ��� )2
� =1
dengan:
���
= histogram A, Indeks array ke j
�
��
= histogram B, Indeks array ke j
n
= panjang/rentang histogram
5
Metode Klasifikasi k-Nearest Neighbor
Konsep dasar dari metode k-NN adalah mencari jarak terdekat antara data
uji dengan sejumlah k tetangga terdekat dalam data latih (Gambar 4). Berikut
algoritma k-NN (Song et al. 2007) :
1 Menentukan nilai k
2 Menghitung jarak antara data uji dengan setiap data latih
3 Mendapatkan k data yang memiliki jarak terdekat
4 Dari k data yang memiliki jarak terdekat, diperoleh kelas yang paling banyak
muncul
5 Kelas yang paling banyak muncul ditentukan sebagai kelas dari data uji.
Gambar 4 Metode klasifikasi k-Nearest Neighbor
Android
Sistem Operasi Android adalah sebuah sistem operasi yang ditujukan untuk
perangkat mobile seperti SmartPhone dan Tablet yang berbasis linux. Android
menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi
mereka sendiri untuk digunakan oleh bermacam perangkat mobile. Berikut adalah
diagram komponen utama dari sistem operasi Android (Gambar 5).
Gambar 5 Komponen sistem operasi Android (Speckmann 2008)
6
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris
data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini
diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005).
Contoh confusion matrix dapat dilihat pada Tabel 1.
Tabel 1 Contoh tabel Confusion Matrix
Masukan
Skala 1
Skala 2
Skala 3
Skala 4
Target
Kelas 2
K12
K22
K32
K42
Kelas 1
K11
K21
K31
K41
Kelas 3
K13
K23
K33
K43
Kelas 4
K14
K24
K34
K44
METODE
Penelitian ini dilakukan dalam lima tahap, yaitu: akuisisi, praproses,
ekstraksi, klasifikasi, dan evaluasi, seperti yang dapat dilihat pada Gambar 6.
Mulai
Akuisisi citra
Data uji
Data latih
Praproses
Praproses
Ekstraksi
Ekstraksi
Klasifikasi
Model
klasifikasi
Hasil
Evaluasi
Selesai
Gambar 6 Metode penelitian
7
Akuisisi citra
Akuisisi citra daun padi dilakukan di sekitar areal Kebun Percobaan Badan
Litbang Pertanian di Citayam Depok untuk memperoleh sebanyak 20 data citra
daun padi untuk masing-masing skala warna (4 skala warna) sehingga jumlah
seluruhnya sebanyak 80 data citra. Berdasarkan petunjuk dari Prof Dr
Zulkifli Zaini, MS, Peneliti dari International Rice Research Institute (IRRI) dan
Dr Sarlan Abdurahman, Peneliti dari Balai Besar Penelitian Tanaman Padi
(BBPADI), daun padi yang akan digunakan pada penelitian ini adalah daun padi
yang berdasarkan persepsi visual mata memiliki kemiripan warna dengan masingmasing skala warna pada BWD, untuk kemudian difoto menggunakan kamera
ponsel.
Tanaman padi yang difoto berusia lebih dari 21 hari setelah masa tanam
(HST), dengan memperhatikan beberapa aspek teknis sebagai berikut:
1 Dilakukan pada cuaca cerah saat pagi sampai dengan menjelang siang antara
pukul 08.00 sampai dengan pukul 11.00
2 Menggunakan kamera ponsel 5 megapiksel (2560 × 1920)
3 Menggunakan kertas HVS putih polos sebagai latar belakang
4 Tanpa menggunakan flashlight
5 Jarak antara objek daun dan kamera adalah 5-10 cm
6 Objek daun berada tepat di tengah citra yang akan difoto
7 Posisi kamera membelakangi matahari.
Pembagian data
Data citra yang diperoleh dari tahap akuisisi yang berjumlah 80 data citra,
kemudian dibagi secara acak menjadi data latih sebanyak 70% atau 56 data untuk
selanjutnya digunakan dalam pembentukan model klasifikasi dan untuk data uji
sebanyak 30% atau 24 data yang digunakan pada proses pengujian menggunakan
ponsel.
Praproses
Untuk menghilangkan bagian citra yang tidak akan diproses, maka
dilakukan pemotongan dengan teknik cropping untuk mengambil hanya bagian
tengah citra dengan ukuran 60x60 piksel, sehingga akan dihasilkan sebanyak
3.600 nilai piksel untuk satu citra. Tahap praproses data latih dilakukan di web
server untuk menghasilkan model klasifikasi yang akan digunakan pada saat
implementasi di aplikasi mobile sedangkan tahap praproses untuk data uji
dilakukan di ponsel pada saat pengujian.
Ekstraksi warna
Tahap ekstraksi warna pada penelitian ini adalah dengan mengambil nilai
komponen warna (channel) pada setiap data citra yang telah melalui tahap
praproses. Citra yang diperoleh pada proses akuisisi adalah citra dengan model
8
warna RGB, sehingga untuk mendapatkan representasi komponen warna Red,
Green dan Blue dapat dilakukan ekstraksi secara langsung. Untuk memperoleh
representasi data dengan model warna HSV diperlukan tahap konversi dari model
warna RGB menjadi model warna HSV untuk kemudian dilakukan ekstraksi dari
tiap-tiap komponen Hue, Saturation dan Value. Untuk memperoleh representasi
data dengan model warna grayscale, diperlukan tahap konversi dari model warna
RGB menjadi model warna grayscale.
Pembuatan histogram
Dalam pembuatan histogram, nilai dari tiap-tiap piksel yang berjumlah
3.600 piksel untuk satu data citra, direpresentasikan ke dalam bentuk histogram
dengan rentang nilai antara 0-255. Sehingga untuk model klasifikasi yang akan
dihasilkan, berupa himpunan histogram yang terdiri atas 56 histogram, sesuai
dengan jumlah data latih yang digunakan. Sedangkan untuk data uji
direpresentasikan dalam sebuah histogram, yang kemudian akan dihitung jaraknya
dengan masing-masing histogram pada model klasifikasi.
Klasifikasi
Tahap klasifikasi dilakukan sebanyak 24 kali sesuai dengan jumlah data uji.
Metode klasifikasi yang digunakan adalah k-NN, dengan cara menghitung jarak
histogram warna dari citra daun padi sebagai data uji dengan setiap 56 histogram
warna sebagai data latih yang terdapat pada model klasifikasi menggunakan
rumus jarak Euclidean. Setelah diperoleh sebanyak k data yang memiliki jarak
terdekat, kemudian diketahui kelas yang paling banyak muncul, kelas tersebut
adalah kelas dari data uji. Percobaan pada k-NN dilakukan dengan menggunakan
nilai k sama dengan 1, 3, 5 dan 7.
Perhitungan akurasi
Evaluasi hasil klasifikasi dilakukan dengan cara menghitung tingkat akurasi
menggunakan rumus sebagai berikut:
������� =
∑ ���� ��� ����� ����������������
�100%
∑ ���� ���
Secara keseluruhan, representasi dari evaluasi tingkat akurasi akan
dituangkan dalam tabel confusion matrix.
Pengembangan sistem
Rancang bangun sistem aplikasi mobile Bagan Warna Daun akan dibagi
menjadi 2 subsistem sebagai berikut:
9
Web server Bagan Warna Daun
Data latih hasil dari tahap akuisisi diunggah ke web server BWD, kemudian
dilakukan tahap praproses (cropping) dan selanjutnya melalui proses ekstraksi
fitur (histogram warna). Proses tersebut dilakukan secara otomatis sehingga
dihasilkan model klasifikasi berupa file .txt yang berisi 56 histogram warna
dari data latih.
2 Aplikasi mobile Bagan Warna Daun (mBWD)
Model klasifikasi yang berupa file .txt yang diperoleh dari web server
kemudian disalin ke dalam perangkat lunak yang digunakan untuk membuat
aplikasi mBWD. Pada saat aplikasi mBWD dijalankan maka secara otomatis
data uji akan melalui tahapan praproses (cropping), ekstraksi fitur (histogram
warna), dan klasifikasi k-NN dengan menghitung jarak antara data uji dengan
model klasifikasi pada file .txt menggunakan rumus jarak Euclidean. Seluruh
proses pada aplikasi mBWD dilakukan secara offline.
1
Lingkungan pengembangan
Lingkungan pengembangan yang digunakan pada penelitian ini memiliki
spesifikasi sebagai berikut:
Perangkat keras:
1 Processor Intel Pentium(R) Dual-Core T4400 @ 2,20 GHz.
2 Memory RAM dengan kapasitas 1.00 GB
3 Harddisk dengan kapasitas 150 GB
4 Perangkat ponsel, CPU 800MHz, 158 MB internal storage, 278 MB RAM
Perangkat lunak:
1 Sistem operasi Windows 7 Ultimate.
2 Sistem operasi Android Gingerbread versi 2.3.4
3 Eclipse indigo service release 2
4 Emulator Android Virtual Device Manager (AVD Manager)
5 Dreamweaver CS 5.5
6 XAMPP for Windows Version 1.7.3
HASIL DAN PEMBAHASAN
Akuisisi citra menghasilkan sebanyak 20 data citra untuk tiap skala warna (4
skala warna) sehingga jumlah seluruhnya sebanyak 80 data citra (Lampiran 1),
kemudian dibagi menjadi data latih sebanyak 70% atau 14 data citra untuk tiap
skala warna dan data uji sebanyak 30% atau 6 data citra untuk tiap skala warna
sehingga total seluruhnya berjumlah 56 data citra untuk data latih dan 24 data citra
untuk data uji. Tahap praproses dilakukan dengan teknik cropping untuk
mengambil hanya bagian tengah citra dengan ukuran 60x60 piksel.
Tahap ekstraksi fitur dilakukan dengan mengambil nilai komponen warna
(channel) pada setiap data citra yaitu komponen R, G dan B pada model warna
RGB, komponen H, S dan V pada model warna HSV dan komponen grey pada
10
model warna grayscale. Model warna HSV dan grayscale diperoleh setelah
dilakukan konversi dari model warna RGB menjadi model warna HSV dan dari
model warna RGB menjadi model warna grayscale.
Setiap citra memiliki 3.600 piksel yang tiap pikselnya memiliki nilai dengan
rentang antara 0-255. Frekuensi kemunculan setiap nilai piksel direspresentasikan
pada histogram warna. Contoh representasi citra pada model warna RGB, HSV
dan grayscale, dalam bentuk histogram warna dapat dilihat pada Gambar 7.
Red
Green
Blue
Hue
Saturation
Value
Grey
Gambar 7 Representasi citra pada histogram warna RGB, HSV dan Grayscale
Hasil
Seluruh data latih diunggah ke server BWD yang telah dibuat (Lampiran 6).
Untuk tahap pengujian dilakukan pada perangkat mobile dengan menggunakan
aplikasi mBWD yang telah dibuat (Lampiran 7). Seluruh data hasil pengujian
direkam dalam confusion matrix (Lampiran 2-5) dan direpresentasikan ke dalam
beberapa tabel 2-6.
k-NN dengan nilai k=1
Perbandingan nilai akurasi dengan nilai k=1 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 2-5 sebagai berikut:
Tabel 2 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=1
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
83,33
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
66,67
83,33
66,67
83,33
100,00
50,00
50,00
16,67
100,00
0,00
16,67
100,00
16,67
100,00
66,67
83,33
100,00
83,33
83,33
100,00
Akurasi
(%)
83,33
87,50
45,83
29,17
75,00
87,50
91,67
Dari Tabel 2 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna grayscale yaitu sebesar 91,67%.
11
k-NN dengan nilai k=3
Perbandingan nilai akurasi dengan nilai k=3 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 2.
Tabel 3 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=3
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
16,67
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
50,00
100,00
83,33
83,33
100,00
100,00
66,67
16,67
100,00
0,00
16,67
100,00
33,33
100,00
83,33
83,33
100,00
83,33
83,33
83,33
Akurasi
(%)
83,33
91,67
62,50
29,17
62,50
91,67
87,50
Dari Tabel 3 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna G dan V yaitu sebesar 91,67%.
k-NN dengan nilai k=5
Perbandingan nilai akurasi dengan nilai k=5 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 3.
Tabel 4 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=5
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
0,00
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
66,67
100,00
83,33
83,33
100,00
100,00
66,67
16,67
0,00
0,00
50,00
100,00
16,67
100,00
83,33
83,33
100,00
83,33
83,33
100,00
Akurasi
(%)
87,50
91,67
62,50
12,50
54,17
91,67
91,67
Dari Tabel 4 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna G, V, grayscale yaitu sebesar 91,67%.
k-NN dengan nilai k=7
Perbandingan nilai akurasi dengan nilai k=7 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 4.
Tabel 5 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=7
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
0,00
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
16,67
100,00
83,33
83,33
100,00
100,00
50,00
16,67
16,67
0,00
16,67
100,00
33,33
100,00
83,33
83,33
100,00
83,33
83,33
100,00
Akurasi
(%)
75,00
91,67
58,33
8,33
58,33
91,67
91,67
Dari Tabel 5 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna G, V, dan grayscale yaitu sebesar 91,67%.
12
Pembahasan
Dari keempat percobaan klasifikasi menggunakan metode k-NN dengan nilai
k sama dengan 1, 3, 5 dan 7 pada komponen warna R, G, B, H, S, V dan grayscale,
pada Tabel 5 dapat dilihat perbandingan nilai akurasi untuk tiap komponen warna
dan untuk tiap nilai k.
Tabel 6 Perbandingan nilai akurasi rata-rata untuk setiap komponen warna dan
setiap nilai k
Komponen
Warna
R
G
B
H
S
V
Grayscale
Rata-rata tiap nilai k
1
83,33
87,50
45,83
29,17
75,00
87,50
91,67
70,83
Akurasi tiap nilai k pada k-NN (%)
3
5
7
83,33
87,50
75,00
91,67
91,67
91,67
62,50
62,50
58,33
29,17
12,50
8,33
62,50
54,17
83,33
91,67
91,67
91,67
87,50
91,67
91,67
70,83
69,04
72,62
Akurasi
Rata-rata (%)
82,29
90,63
57,29
19,79
62,50
90,63
90,63
Dari Tabel 6 menunjukkan bahwa nilai akurasi tertinggi mencapai 91,67 pada
beberapa kondisi sebagai berikut:
1 Komponen warna grayscale pada nilai k sama dengan 1
2 Komponen warna G dan V pada nilai k sama dengan 3
3 Komponen warna G, V dan grayscale pada nilai k sama dengan 5
4 Komponen warna G, V dan grayscale pada nilai k sama dengan 7
Dari beberapa kondisi tersebut di atas, kondisi yang paling efisien pada
saat implementasi adalah sebagai berikut:
1 Menggunakan komponen warna grayscale pada nilai k sama dengan 1 karena
dengan nilai k sama dengan 1 dapat mengurangi proses klasifikasi k-NN
2 Menggunakan komponen warna G pada nilai k sama dengan 3, karena
komponen warna G diperoleh tanpa melalui proses konversi.
Adapun secara keseluruhan nilai akurasi rata-rata tertinggi terdapat pada
komponen warna G, V, dan grayscale yaitu mencapai 90,63% (Gambar 8). Tabel
6 menunjukkan bahwa rata-rata k-NN tertinggi terdapat pada nilai k sama dengan
3 yaitu mencapai 72,62% (Gambar 9).
Akurasi rata-rata
13
100
90
80
70
60
50
40
30
20
10
0
90.63
90.63
90.63
R
G
B
H
S
V
Grey
R
G
B
H
S
V
Grey
Komponen warna
Akurasi rata-rata
Gambar 8 Perbandingan akurasi rata-rata untuk setiap komponen warna
100
90
80
70
60
50
40
30
20
10
0
72.62
1
3
5
Nilai k pada k-NN
7
Gambar 9 Perbandingan akurasi rata-rata untuk setiap nilai k
Daun padi didominasi oleh komponen warna G sehingga nilai piksel untuk
komponen warna G lebih tinggi jika dibandingkan dengan komponen warna R
dan B, hal tersebut yang menjadikan komponen warna G menghasilkan akurasi
rata-rata tertinggi. Pada rumus perhitungan konversi dari model warna RGB ke
model warna HSV, nilai piksel komponen warna V diperoleh dari maksimal nilai
piksel komponen warna R, G dan B sehingga nilai piksel komponen warna V
adalah representasi dari nilai piksel komponen warna G. Model warna grayscale
memiliki nilai akurasi rata-rata tertinggi karena berdasarkan rumus perhitungan
konversi dari model warna RGB ke grayscale, bobot perkalian untuk nilai piksel
komponen warna G lebih tinggi jika dibandingkan bobot perkalian komponen
warna R dan B, sehingga nilai piksel G dominan mempengaruhi hasil konversi.
Dari model klasifikasi yang dihasilkan berupa file .txt yang berisi kumpulan
histogram dari data latih, secara visual dapat terlihat bahwa penggunaan
komponen warna G, V dan grayscale dapat membedakan antara skala warna yang
14
satu dengan skala warna lainnya. Hal tersebut menunjukkan bahwa komponen
warna G, V dan grayscale dapat digunakan sebagai penciri untuk menentukan
skala warna daun padi berdasarkan BWD.
Secara keseluruhan komponen warna H pada model warna HSV
menghasilkan akurasi rata-rata terendah, hal tersebut dikarenakan informasi yang
terkandung di dalam komponen warna H (hue) lebih kepada informasi keragaman
warna, sedangkan daun padi didominasi warna hijau dan memiliki tingkat
keragaman warna yang sedikit. Hal tersebut menunjukkan bahwa komponen
warna H tidak dapat digunakan sebagai penciri untuk menentukan skala warna
daun padi berdasarkan BWD. Demikian pula untuk komponen warna S tidak
dapat digunakan sebagai penciri untuk menentukan skala warna daun padi
berdasarkan BWD karena komponen warna S merepresentasikan tingkat
kejenuhan warna.
Penelitian sebelumnya yang terkait dengan penelitian ini telah dilakukan oleh
Nugroho (2011), dengan judul Pengembangan Sensor Warna Daun untuk Menduga
Kebutuhan Pupuk pada Tanaman Padi, model warna yang digunakan adalah RGB
dengan perhitungan jarak Euclidean. Adapun pada penelitian yang dilakukan oleh
Masyhud (2013), objek penelitiannya adalah daun shorea dengan menggunakan
fitur komponen warna pada model warna RGB dan HSV dengan metode klasifikasi
k-NN. Hasil penelitian tersebut dapat dilihat pada Tabel 7.
Tabel 7 Perbandingan dengan hasil penelitian terkait
Objek
Penelitian
Daun padi
(Nugroho 2011)
Ekstraksi
Fitur
Indeks R, G, dan B
Metode
Klasifikasi
Jarak Euclidean
Akurasi
Rata-rata (%)
60,66
Daun Shorea
(Masyhud 2013)
Komponen R + Haar
Komponen G + Haar
Komponen B + Haar
Komponen H + Haar
Komponen S + Haar
Komponen V + Haar
k-NN
72,00
80,00
69,00
58,00
74,00
80,00
Daun Padi
(Penelitian ini)
Histogram R
Histogram G
Histogram B
Histogram H
Histogram S
Histogram V
Histogram grayscale
k-NN
82,29
90,63
57,29
19,79
62,50
90,63
90,63
Dari Tabel 7 dapat ditunjukkan bahwa penelitian yang dilakukan oleh
Nugroho (2011) memiliki kesamaan dalam hal objek penelitiannya yaitu daun
padi namun data citra dan metode yang digunakan berbeda dengan penelitian ini,
dengan akurasi rata-rata yang dihasilkan mencapai 60,66%. Penelitian yang
dilakukan oleh Masyhud (2013) dengan objek daun shorea, menggunakan fitur
dan metode klasifikasi yang sama namun metode ekstraksi yang digunakan
berbeda yaitu metode Wavelet Haar dan menghasilkan akurasi rata-rata tertinggi
pada komponen warna G dan V yaitu mencapai 80%. Pada penelitian ini
menghasilkan nilai akurasi rata-rata tertinggi pada komponen warna G, V dan
grayscale yaitu mencapai 90,63%.
15
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah mengimplementasikan metode ekstraksi fitur histogram
warna pada masing-masing komponen warna R, G dan B pada model warna RGB,
komponen warna H, S, V pada model warna HSV, dan model warna grayscale,
dengan menggunakan metode klasifikasi k-Nearest Neighbor untuk
mengidentifikasi skala warna pada daun padi. Hasil akurasi rata-rata tertinggi
mencapai 90,63% pada komponen warna G, V dan grayscale. Sedangkan pada
metode klasifikasi k-Nearest Neighbor akurasi rata-rata tertinggi mencapai
72,62% pada nilai k sama dengan 3. Dapat disimpulkan bahwa komponen warna
dan nilai k mempengaruhi hasil akurasi pada identifikasi skala warna daun padi
berdasarkan BWD. Komponen warna yang paling baik digunakan adalah
komponen warna G karena tidak memerlukan tahap konversi model warna dan
untuk nilai k yang paling baik digunakan adalah nilai k sama dengan 3.
Saran
Beberapa saran untuk selanjutnya adalah:
1 Menggunakan metode klasifikasi Bayes atau Support Vector Machine (SVM)
2 Mengimplementasikan ekstraksi fitur dengan metode deteksi tepi untuk
mendapatkan area daun secara utuh dan mempergunakan perhitungan color
moment
3 Dilakukan penambahan data dengan akuisisi citra yang lebih variatif, baik dari
ukuran, resolusi citra, jenis kamera, dan aspek teknis akuisisi lainnya sehingga
data yang digunakan dapat menangani data uji yang bervariasi. Untuk
memperoleh data latih yang lebih presisi, sebaiknya pada saat akuisisi data
citra didampingi oleh peneliti yang berkompeten.
4 Membuat aplikasi mBWD pada sistem operasi iOS, windows phone, symbian
dan sistem operasi lainnya.
DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New
Jersey (US): John Wiley and Sons, Inc., Hoboken.
Balai Besar Penelitian Tanaman Padi. 2007. Bagan warna daun: Menghemat
penggunaan pupuk N pada padi sawah. Subang.
Boiman O, Shechtman E, Irani M. 2008. In defense of nearest neighbor based
image classification. Computer vision and pattern recognition. 2008.
Ford A, Roberts A. 1998. Colour Space Conversion. London (GB): Westminster
University.
Furuya S. 1987. Growth diagnosis of rice plants by means of leaf colour.
JARQ.20(3):147-153
16
Masyhud SK. 2013. Identifikasi daun Shorea dengan k-NN menggunakan discrete
wavelet transform dari komponen warna RGB dan HSV. [skripsi]. Bogor:
Institut Pertanian Bogor.
Nugroho IE, Astika IW, Solahudin M. 2011. Pengembangan sensor warna daun
untuk menduga kebutuhan pupuk pada tanaman padi. [skripsi]. Bogor:
Institut Pertanian Bogor.
Pramesti RPA. 2013. Identifikasi karakter plat nomor kendaraan menggunakan
ekstraksi fitur ICZ dan ZCZ dengan metode klasifikasi k-NN. [skripsi].
Bogor: Institut Pertanian Bogor.
Rabbani M, Jones PW. 1991. Digital Image Compression Techniques. Michigan
(US): Spie Optical Engineering Press, Michigan University.
Rodrigues PS, Araujo AA. 2004. A Bayesian Network Model Combining Color,
Shape and Texture Information to Improve Content Based Image Retrieval
Systems. Petropolis (BR): LNCC.
Sergyan S., 2008. Color Histogram Features Based Image Classification in
Content-Based Image Retrieval Systems. Budapest (HU): Institute of
Software Technology.
Song Y. 2007. Informative k-Nearest Neighbor pattern classification. SpringerVerlag Berlin Heidelberg. 2007: 248-264.
Tan PN, Steinbach M, Kumar V. 2005. Introduction to Data Mining. Boston
(US): Pearson Education, Inc.
Wahyudi. 2012. 2013, “Robot hijau” masih kuasai Indonesia. [Internet]. [diunduh
2012 Juli 23]. Tersedia pada http://tekno.kompas.com/read/2012/12/18/
09270540/2013..Robot.Hijau.Masih.Kuasai.Indonesia.
Wedhaswary. 2012. Temuan peneliti Indonesia kalahkan alat produksi Amerika.
[Internet]. [diunduh 2012 Juli 23]. Tersedia pada http://edukasi.
kompas.com/read/2012/06/28/08592261/Temuan.Peneliti.Indonesia.Kal
ahkan.Alat.Produksi.Amerika.
17
LAMPIRAN
18
19
Lampiran 1 Citra daun
Skala warna level 2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
20
Lampiran 1 Citra daun (lanjutan)
Skala warna level 3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Lampiran 1 Citra daun (lanjutan)
Skala warna level 4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
Lampiran 1 Citra daun (lanjutan)
Skala warna level 5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
23
Lampiran 2 Confusion matrix dengan nilai k=1
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
1
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
4
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
3
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
0
6
Skala 3
6
Skala 4
1
4
Skala 5
5
Skala 4
1
4
Skala 4
Skala 5
1
5
Skala 5
2
5
6
Skala 4
Skala 5
1
3
3
4
2
1
Skala 4
Skala 5
0
1
1
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
5
1
Skala 3
6
Skala 4
4
1
1
Skala 5
Skala 5
6
24
Lampiran 2 Confusion matrix dengan nilai k=1 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
4
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
2
5
6
Skala 4
Skala 5
1
5
6
25
Lampiran 3 Confusion matrix dengan nilai k=3
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
Skala 5
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
6
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
0
6
Skala 3
6
Skala 4
1
4
Skala 5
5
Skala 4
1
3
Skala 4
Skala 5
3
6
Skala 5
1
5
6
Skala 4
Skala 5
1
4
4
1
1
Skala 4
Skala 5
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
1
2
3
Skala 3
6
Skala 4
3
1
2
Skala 5
1
1
Skala 5
6
26
Lampiran 3 Confusion matrix dengan nilai k=3 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
1
5
6
Skala 4
Skala 5
1
5
1
5
27
Lampiran 4 Confusion matrix dengan nilai k=5
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
Skala 5
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
6
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
0
Skala 3
0
Skala 4
Skala 5
3
Skala 4
1
4
Skala 4
Skala 5
2
6
Skala 5
1
5
6
Skala 4
Skala 5
1
4
4
1
1
Skala 4
Skala 5
6
6
6
3
0
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
0
3
3
Skala 3
6
Skala 4
4
1
1
Skala 5
Skala 5
6
28
Lampiran 4 Confusion matrix dengan nilai k=5 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
1
5
6
Skala 4
Skala 5
1
5
6
29
Lampiran 5 Confusion matrix dengan nilai k=7
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
Skala 5
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
6
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
5
Skala 3
1
Skala 4
Skala 5
5
Skala 4
1
1
Skala 4
Skala 5
5
6
Skala 5
1
5
6
Skala 4
Skala 5
1
3
4
2
1
Skala 4
Skala 5
1
5
6
1
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
3
3
Skala 3
6
Skala 4
3
1
2
Skala 5
Skala 5
6
30
Lampiran 5 Confusion matrix dengan nilai k=7 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
1
5
6
Skala 4
Skala 5
1
5
6
31
Lampiran 6 Screenshoot aplikasi
a. Tampilan situs mBWD
Halaman home
Halaman admin
Halaman tambah data citra
32
Lampiran 6 Screenshoot aplikasi (lanjutan)
b. Tampilan aplikasi mBWD
Menu Home
Menu Galeri
Menu Kamera
Menu Petunjuk
Pemilihan citra dari galeri
Proses citra dari galeri
Proses citra dari kamera
Proses identifikasi
Hasil identifikasi
33
RIWAYAT HIDUP
Penulis lahir di Bogor, tanggal 21 Maret 1979, merupakan putra keempat
dari empat bersaudara dari pasangan yang bernama Kuslan Surakusumah dan
Sulastri Kuslan. Penulis lulus dari SMA Negeri 3 Bogor pada tahun 1997,
kemudian melanjutkan studi Diploma 3 di Universitas Gunadarma sejak tahun
1997 sampai dengan 2000. Pada tahun 2001 sampai dengan saat ini, penulis
berkesempatan bekerja sebagai staf pada salah satu unit kerja di Kementerian
Pertanian Republik Indonesia.
Pada tahun 2004 penulis menikah dan saat ini telah memiliki satu orang
putera dan satu orang puteri. Kesempatan untuk melanjutkan studi Sarjana S1
datang setelah adanya program Tugas Belajar dari instansi tempat penulis bekerja,
maka sejak tahun 2010 penulis kembali menempuh studi di Departemen Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
UNTUK OPTIMASI PEMUPUKAN TANAMAN PADI
MENGGUNAKAN K-NEAREST NEIGHBOR
EDWIN SATYALESMANA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi
Menggunakan k-Nearest Neighbor adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan
tinggi manapun. 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
Edwin Satyalesmana
NIM G64104028
ABSTRAK
EDWIN. Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman Padi
Menggunakan k-Nearest Neighbor. Dibimbing oleh SONY HARTONO
WIJAYA.
Warna daun padi sangat erat kaitannya dengan tingkat kecukupan pupuk
nitrogen (N) dalam tanah. Gejala kekurangan N yang paling jelas dan biasa
terlihat adalah berkurangnya warna hijau dari dedaunan. Pada penelitian ini
dikembangkan aplikasi mobile untuk mengidentifikasi warna daun padi dalam
menentukan takaran pupuk yang tepat. Aplikasi dibangun menggunakan fitur
histogram dari komponen warna Red, Green, Blue pada model warna RGB dan
komponen warna Hue, Saturation Value pada model warna HSV, serta model
warna grayscale. Metode klasifikasi yang digunakan adalah metode klasifikasi kNearest Neighbor (k-NN). Penelitian ini menghasilkan akurasi rata-rata tertinggi
90,63% pada komponen warna G (green), V (Value) dan grayscale. Pada metote
klasifikasi, k-NN menghasilkan akurasi rata-rata tertinggi 72,62% pada nilai k
sama dengan 3.
Kata kunci: Android, grayscale, histogram, HSV, identifikasi warna, k-Nearest
Neighbor, RGB
ABSTRACT
EDWIN. Application of Leaf Color Chart for the Opimization of Rice Plants
Fertilization Using k-Nearest Neighbor. Supervised by SONY HARTONO
WIJAYA.
The leaf color of rice is closely associated with the adequacy of nitrogen (N)
level of the ground. N deficiency symptoms that are most obvious and commonly
seen is the reduction of green color of the leaf. This research developed a mobile
application to identify the color of rice leaf and to determine the appropriate
fertilizer. The application was built by using the histogram feature of several color
components namely Red, Green, Blue in the RGB color space, Hue, Saturation
Value in the HSV color space, and grayscale. K-Nearest Neighbor was choosen as
the classification method. This research showed the highest average accuracy of
90.63% on the G (green), V (Value) and grayscale color component. The k-NN
classification method produced the highest average accuracy of 72.62% when the
value of k is equal to 3.
Keywords: Android, grayscale, histogram, HSV, color identification, k-Nearest
Neighbor, RGB
APLIKASI BAGAN WARNA DAUN
UNTUK OPTIMASI PEMUPUKAN TANAMAN PADI
MENGGUNAKAN K-NEAREST NEIGHBOR
EDWIN SATYALESMANA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Judul Skripsi : Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
Nama
: Edwin Satyalesmana
NIM
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Penguji:
1. Aziz Kustiyo, SSi MKom
2. Toto Haryanto, SKom MSi
Judul Skripsi: Aplikasi Bagan Wama Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
:
Edwin Satyalesmana
Nama
NIM
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Tanggal Lulus:
1 9 AUG i011
Judul Skripsi : Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan Tanaman
Padi Menggunakan k-Nearest Neighbor
Nama
: Edwin Satyalesmana
NIM
: G64104028
Disetujui oleh
Sony Hartono Wijaya, SKom MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta
salam penulis sampaikan kepada Nabi Muhammad Shalallahu ‘alaihi wassalam.
Penyusunan skripsi yang mengambil tema Aplikasi Bagan Warna Daun untuk
Optimasi Pemupukan Tanaman Padi Menggunakan k-Nearest Neighbor ini tidak
lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan
terima kasih kepada:
1 Kedua orang tua tercinta, Bapak Kuslan Surakusumah, dan Ibu Sulastri
Kuslan beserta Keluarga yang selalu memberikan doa dan dukungan moral.
2 Istri tercinta, Indah Dwi Nastiti dan kedua anak tersayang, Dzikri Lesmana
Putra dan Nastiasya Lesmana Putri yang selalu memberikan doa, inspirasi dan
motivasi.
3 Bapak Sony Hartono Wijaya, SKom MKom selaku dosen pembimbing yang
selalu sabar dalam memberikan ilmu dan bimbingan selama penyelesaian
skripsi.
4 Toto Haryanto, SKom MSi dan Bapak Aziz Kustiyo, SSi MKom sebagai
dosen penguji atas segala kritik, masukan dan saran yang diberikan kepada
penulis terhadap penelitian ini.
5 Bapak Prof Dr Zulkifli Zaini, MS dari International Rice Research Institut
(IRRI) dan Bapak Dr Sarlan Abdurahman dari Balai Besar Penelitian
Tanaman Padi (BBPADI) yang telah membantu dalam memperoleh data dan
sumber informasi.
6 Dedi Kiswanto, Rizkina Muhammad Syam, Desta Sandya dan teman-teman
Ekstensi Ilkom atas pengalaman berbagi ilmu, kebersamaan dan dukungannya
selama menjalani studi di Departemen Ilmu Komputer IPB.
7 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah
banyak membantu baik selama masa perkuliahan maupun pada saat penelitian.
Dan semua pihak yang telah banyak memberikan kontribusi yang besar
dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2013
Edwin Satyalesmana
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
vi
vi
vi
1
Latar Belakang Masalah
Tujuan Penelitian
Manfaat
Ruang Lingkup
TINJAUAN PUSTAKA
1
2
2
2
2
Content-based image retrieval (CBIR)
Model warna
Histogram warna
Jarak histogram
Metode Klasifikasi k-Nearest Neighbor
Android
Confusion Matrix
METODE
2
2
4
4
5
5
6
6
Akuisisi citra
Pembagian data
Praproses
Ekstraksi warna
Pembuatan histogram
Klasifikasi
Perhitungan akurasi
Pengembangan sistem
Lingkungan pengembangan
HASIL DAN PEMBAHASAN
7
7
7
7
8
8
8
8
9
9
Hasil
Pembahasan
SIMPULAN DAN SARAN
10
12
15
Simpulan
Saran
DAFTAR PUSTAKA
15
15
15
LAMPIRAN
17
RIWAYAT HIDUP
33
DAFTAR TABEL
1 Contoh tabel Confusion Matrix
2 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=1
3 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=3
4 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=5
5 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=7
6 Perbandingan nilai akurasi rata-rata untuk setiap komponen warna dan
setiap nilai k
7 Perbandingan dengan hasil penelitian terkait
6
10
11
11
11
12
14
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Bagan Warna Daun dan Digital Leaf Color Chart
Model warna RGB dan model warna HSV
Histogram warna
Komponen sistem operasi Android (Speckmann 2008)
Metode klasifikasi k-Nearest Neighbor
Metode Penelitian
Representasi citra pada histogram warna RGB, HSV dan Grayscale
Perbandingan akurasi rata-rata untuk setiap komponen warna
Perbandingan akurasi rata-rata untuk setiap nilai k
1
3
4
5
5
6
10
13
13
DAFTAR LAMPIRAN
1
2
3
4
5
6
Citra daun
Confusion matrix dengan nilai k=1
Confusion matrix dengan nilai k=3
Confusion matrix dengan nilai k=5
Confusion matrix dengan nilai k=7
Screenshoot aplikasi
19
23
25
27
29
31
1
PENDAHULUAN
Latar Belakang Masalah
Pertumbuhan tanaman padi yang baik dengan hasil tinggi membutuhkan
suplai nitrogen (N) yang cukup. Gejala kekurangan N yang paling jelas dan biasa
terlihat adalah berkurangnya warna hijau dari dedaunan (chlorosis). Daun menjadi
lebih pucat, menguning, dan pada kondisi kekurangan N yang gawat akan menjadi
mati. Menurut Furuya (1987), warna daun paling baik menunjukkan status nutrisi
tanaman.
Pemakaian Bagan Warna Daun (BWD) dalam kegiatan pemupukan N
dilakukan dengan mengukur tingkat kemiripan warna daun padi sesuai dengan
skala warna pada BWD (Gambar 1 (a)) untuk mengetahui takaran pupuk urea
yang tepat. Pemakaian BWD dapat menghemat penggunaan pupuk urea sebanyak
15-20% dari takaran yang umum digunakan petani tanpa mengurangi hasil (Balai
Besar Penelitian Tanaman Padi 2007). Permasalahan yang muncul kemudian
adalah adanya perbedaan persepsi visual setiap manusia dalam menentukan
kemiripan warna, sehingga pada tahun 2012 telah dibuat BWD versi digital yaitu
Digital Leaf Colour Chart (Gambar 1 (b)), namun harga alat tersebut masih
relatif mahal yaitu berkisar Rp. 950.000,- (Wedhaswary 2012), jauh lebih mahal
jika dibandingkan dengan BWD yang dijual dengan harga Rp. 20.000,- di kantor
perwakilan International Rice Research Institute (IRRI), di Indonesia.
(a)
(b)
Gambar 1 Bagan warna daun (a), dan Digital leaf color chart (b)
Perkembangan teknologi pada perangkat ponsel dengan sistem operasi
Android mendorong para pengembang untuk menciptakan berbagai aplikasi yang
dapat mendukung aktivitas dan pekerjaan sehari-hari. Menurut data yang dilansir
International Data Corporation (IDC), sampai dengan kuartal kedua tahun 2012
sistem operasi Android menguasai sekitar 52% dari total sistem operasi
smartphone yang dipakai di Indonesia (Wahyudi 2012).
Pada sistem temu kembali citra berbasis konten, pencarian yang paling mudah
dan efisien adalah yang berbasis warna (Sergyan 2008). Menurut Boiman et al.
(2008) metode klasifikasi k-Nearest Neighbor (k-NN) sangat sederhana, efisien dan
kinerjanya sangat baik dalam klasifikasi citra.
Berdasarkan hal tersebut, maka pada penelitian ini akan dibuat aplikasi
mobile Bagan Warna Daun pada ponsel dengan sistem operasi Android untuk
mengidentifikasi skala warna daun padi berdasarkan BWD menggunakan fitur
warna dengan metode klasifikasi k-NN.
2
Tujuan Penelitian
Tujuan penelitian ini adalah mengimplementasikan dan menganalisis kinerja
metode ekstraksi fitur warna RGB, HSV dan grayscale, menggunakan metode
klasifikasi k-Nearest Neighbor dalam mengidentifikasi skala warna pada daun
padi berdasarkan BWD.
Manfaat
Manfaat dari penelitian ini diharapkan dapat membantu penyuluh, petani
dan pengguna pada umumnya dalam mengidentifikasi skala warna daun padi
berdasarkan BWD dalam menentukan takaran pupuk nitrogen (N) yang tepat.
Ruang Lingkup
Ruang lingkup penelitian adalah sebagai berikut:
Data citra daun padi yang digunakan diakuisisi langsung dari tanaman padi,
yang berdasarkan persepsi visual mata memiliki kemiripan warna dengan
masing-masing skala warna pada BWD.
2 Bagan Warna Daun yang digunakan memiliki 4 skala warna.
3 Data yang digunakan sebanyak 20 data citra untuk tiap skala warna (4 skala
warna), dengan ukuran citra 2560 × 1920 piksel dan diakuisisi dengan
menggunakan kamera ponsel 5 megapiksel.
1
TINJAUAN PUSTAKA
Content-based image retrieval (CBIR)
Content-based image retrieval (CBIR) adalah suatu aplikasi computer
vision yang digunakan untuk melakukan identifikasi citra digital. CBIR
merupakan suatu pendekatan pada temu kembali citra yang didasarkan pada ciri
atau informasi yang terkandung di dalam citra, seperti warna, bentuk dan tekstur
(Rodrigues dan Araujo 2004). Ciri atau fitur dari citra tersebut kemudian diukur
tingkat kemiripannya dengan menggunakan metode klasifikasi.
Model warna
Dasar asumsi di dalam teori colorimetry modern yang diaplikasikan ke
dalam pengolahan citra, suatu warna didasarkan pada perbedaan eksitasi dari 3
penerima cahaya di dalam retina. Ketiga warna tersebut adalah merah, hijau dan
biru (red, green, dan blue, atau sering disingkat RGB) yang akan menentukan
warna dari suatu obyek (Ford dan Roberts 1998).
3
Di dalam model warna RGB, suatu warna dapat didefinisikan berdasarkan
tingkat intensitas dari komponen merah, hijau dan biru. Ketiga komponen tersebut
dapat digambarkan sebagai koordinat 2 dimensi yang berbentuk kubus yang
didalamnya juga mengandung informasi mengenai derajat keabuan atau grayscale
(Gambar 2 (a)). Sedangkan model warna HSV didasarkan pada tiga persepsi
manusia tentang warna, yaitu hue (keragaman warna), saturation (kejenuhan), dan
brightness (kecerahan) atau sering disebut juga dengan istilah value (Gambar 2 (b)).
(a)
(b)
Gambar 2 Model warna RGB (a), dan model warna HSV (b)
Proses konversi dari model warna RGB menjadi HSV (Acharya dan Ray
2005) menggunakan rumus:
�
�
�
;�=
;�=
255
255
255
� = ���
0 , �� ∆ = 0
�=� ∆
, �� ∆ 0
���
�−�
⎧
60
, ���� max = �
∆
⎪
�−�
� = 120 + 60
, ���� max = �
∆
⎨
�−�
⎪
⎩ 240 + 60 ∆ , ���� max = �
� = � + 360, �� � < 0
�=
Proses konversi dari model warna RGB ke model warna grayscale menghasikan 1
komponen (channel) warna, (Rabbani dan Jones 1991) menggunakan rumus:
��������� = 0,2999 ∗ � + 0,587 ∗ � + 0,114 ∗ �
dengan:
R
G
B
H
S
V
max
min
= nilai piksel R (Red)
= nilai piksel G (Green)
= nilai piksel B (Blue)
= nilai piksel H (Hue)
= nilai piksel S (Saturation)
= nilai piksel V (Value)
= max(R, G, B)
= min(R, G, B)
∆
= max – min
grayscale = nilai piksel grayscale
4
Histogram warna
Histogram adalah representasi dari frekuensi kemunculan setiap nilai warna
(Acharya dan Ray 2005). Histogram warna merupakan fitur warna yang paling
banyak digunakan karena sangat efektif mengkarakterisasikan distribusi global
dari warna dalam sebuah citra digital.
Suatu citra A dengan ukuran panjang 60 piksel dan lebar 60 piksel akan
menghasilkan sebanyak 3.600 nilai piksel yang merupakan hasil dari panjang
dikali lebar, mulai dari piksel baris ke-1, kolom ke-1 sampai dengan piksel baris
ke-60, kolom ke-60. Nilai dari masing-masing piksel tersebut memiliki rentang
antara 0 sampai dengan 255. Frekuensi kemunculan setiap nilai piksel tersebut
kemudian direpresentasikan ke dalam sebuah histogram yang memiliki rentang
antara 0 sampai dengan 255. Jika dijumlahkan keseluruhan nilai dari histogram
tersebut hasilnya adalah 3.600 sesuai dengan jumlah piksel dari ukuran citra.
Contoh histogram warna dapat dilihat pada (Gambar 3).
Gambar 3 Histogram warna
Jarak histogram
Untuk menghitung jarak antara histogram A dan histogram B dapat
menggunakan rumus jarak Euclidean (Gonzales 1987):
�
� (�, �) = ��(��� − ��� )2
� =1
dengan:
���
= histogram A, Indeks array ke j
�
��
= histogram B, Indeks array ke j
n
= panjang/rentang histogram
5
Metode Klasifikasi k-Nearest Neighbor
Konsep dasar dari metode k-NN adalah mencari jarak terdekat antara data
uji dengan sejumlah k tetangga terdekat dalam data latih (Gambar 4). Berikut
algoritma k-NN (Song et al. 2007) :
1 Menentukan nilai k
2 Menghitung jarak antara data uji dengan setiap data latih
3 Mendapatkan k data yang memiliki jarak terdekat
4 Dari k data yang memiliki jarak terdekat, diperoleh kelas yang paling banyak
muncul
5 Kelas yang paling banyak muncul ditentukan sebagai kelas dari data uji.
Gambar 4 Metode klasifikasi k-Nearest Neighbor
Android
Sistem Operasi Android adalah sebuah sistem operasi yang ditujukan untuk
perangkat mobile seperti SmartPhone dan Tablet yang berbasis linux. Android
menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi
mereka sendiri untuk digunakan oleh bermacam perangkat mobile. Berikut adalah
diagram komponen utama dari sistem operasi Android (Gambar 5).
Gambar 5 Komponen sistem operasi Android (Speckmann 2008)
6
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris
data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini
diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005).
Contoh confusion matrix dapat dilihat pada Tabel 1.
Tabel 1 Contoh tabel Confusion Matrix
Masukan
Skala 1
Skala 2
Skala 3
Skala 4
Target
Kelas 2
K12
K22
K32
K42
Kelas 1
K11
K21
K31
K41
Kelas 3
K13
K23
K33
K43
Kelas 4
K14
K24
K34
K44
METODE
Penelitian ini dilakukan dalam lima tahap, yaitu: akuisisi, praproses,
ekstraksi, klasifikasi, dan evaluasi, seperti yang dapat dilihat pada Gambar 6.
Mulai
Akuisisi citra
Data uji
Data latih
Praproses
Praproses
Ekstraksi
Ekstraksi
Klasifikasi
Model
klasifikasi
Hasil
Evaluasi
Selesai
Gambar 6 Metode penelitian
7
Akuisisi citra
Akuisisi citra daun padi dilakukan di sekitar areal Kebun Percobaan Badan
Litbang Pertanian di Citayam Depok untuk memperoleh sebanyak 20 data citra
daun padi untuk masing-masing skala warna (4 skala warna) sehingga jumlah
seluruhnya sebanyak 80 data citra. Berdasarkan petunjuk dari Prof Dr
Zulkifli Zaini, MS, Peneliti dari International Rice Research Institute (IRRI) dan
Dr Sarlan Abdurahman, Peneliti dari Balai Besar Penelitian Tanaman Padi
(BBPADI), daun padi yang akan digunakan pada penelitian ini adalah daun padi
yang berdasarkan persepsi visual mata memiliki kemiripan warna dengan masingmasing skala warna pada BWD, untuk kemudian difoto menggunakan kamera
ponsel.
Tanaman padi yang difoto berusia lebih dari 21 hari setelah masa tanam
(HST), dengan memperhatikan beberapa aspek teknis sebagai berikut:
1 Dilakukan pada cuaca cerah saat pagi sampai dengan menjelang siang antara
pukul 08.00 sampai dengan pukul 11.00
2 Menggunakan kamera ponsel 5 megapiksel (2560 × 1920)
3 Menggunakan kertas HVS putih polos sebagai latar belakang
4 Tanpa menggunakan flashlight
5 Jarak antara objek daun dan kamera adalah 5-10 cm
6 Objek daun berada tepat di tengah citra yang akan difoto
7 Posisi kamera membelakangi matahari.
Pembagian data
Data citra yang diperoleh dari tahap akuisisi yang berjumlah 80 data citra,
kemudian dibagi secara acak menjadi data latih sebanyak 70% atau 56 data untuk
selanjutnya digunakan dalam pembentukan model klasifikasi dan untuk data uji
sebanyak 30% atau 24 data yang digunakan pada proses pengujian menggunakan
ponsel.
Praproses
Untuk menghilangkan bagian citra yang tidak akan diproses, maka
dilakukan pemotongan dengan teknik cropping untuk mengambil hanya bagian
tengah citra dengan ukuran 60x60 piksel, sehingga akan dihasilkan sebanyak
3.600 nilai piksel untuk satu citra. Tahap praproses data latih dilakukan di web
server untuk menghasilkan model klasifikasi yang akan digunakan pada saat
implementasi di aplikasi mobile sedangkan tahap praproses untuk data uji
dilakukan di ponsel pada saat pengujian.
Ekstraksi warna
Tahap ekstraksi warna pada penelitian ini adalah dengan mengambil nilai
komponen warna (channel) pada setiap data citra yang telah melalui tahap
praproses. Citra yang diperoleh pada proses akuisisi adalah citra dengan model
8
warna RGB, sehingga untuk mendapatkan representasi komponen warna Red,
Green dan Blue dapat dilakukan ekstraksi secara langsung. Untuk memperoleh
representasi data dengan model warna HSV diperlukan tahap konversi dari model
warna RGB menjadi model warna HSV untuk kemudian dilakukan ekstraksi dari
tiap-tiap komponen Hue, Saturation dan Value. Untuk memperoleh representasi
data dengan model warna grayscale, diperlukan tahap konversi dari model warna
RGB menjadi model warna grayscale.
Pembuatan histogram
Dalam pembuatan histogram, nilai dari tiap-tiap piksel yang berjumlah
3.600 piksel untuk satu data citra, direpresentasikan ke dalam bentuk histogram
dengan rentang nilai antara 0-255. Sehingga untuk model klasifikasi yang akan
dihasilkan, berupa himpunan histogram yang terdiri atas 56 histogram, sesuai
dengan jumlah data latih yang digunakan. Sedangkan untuk data uji
direpresentasikan dalam sebuah histogram, yang kemudian akan dihitung jaraknya
dengan masing-masing histogram pada model klasifikasi.
Klasifikasi
Tahap klasifikasi dilakukan sebanyak 24 kali sesuai dengan jumlah data uji.
Metode klasifikasi yang digunakan adalah k-NN, dengan cara menghitung jarak
histogram warna dari citra daun padi sebagai data uji dengan setiap 56 histogram
warna sebagai data latih yang terdapat pada model klasifikasi menggunakan
rumus jarak Euclidean. Setelah diperoleh sebanyak k data yang memiliki jarak
terdekat, kemudian diketahui kelas yang paling banyak muncul, kelas tersebut
adalah kelas dari data uji. Percobaan pada k-NN dilakukan dengan menggunakan
nilai k sama dengan 1, 3, 5 dan 7.
Perhitungan akurasi
Evaluasi hasil klasifikasi dilakukan dengan cara menghitung tingkat akurasi
menggunakan rumus sebagai berikut:
������� =
∑ ���� ��� ����� ����������������
�100%
∑ ���� ���
Secara keseluruhan, representasi dari evaluasi tingkat akurasi akan
dituangkan dalam tabel confusion matrix.
Pengembangan sistem
Rancang bangun sistem aplikasi mobile Bagan Warna Daun akan dibagi
menjadi 2 subsistem sebagai berikut:
9
Web server Bagan Warna Daun
Data latih hasil dari tahap akuisisi diunggah ke web server BWD, kemudian
dilakukan tahap praproses (cropping) dan selanjutnya melalui proses ekstraksi
fitur (histogram warna). Proses tersebut dilakukan secara otomatis sehingga
dihasilkan model klasifikasi berupa file .txt yang berisi 56 histogram warna
dari data latih.
2 Aplikasi mobile Bagan Warna Daun (mBWD)
Model klasifikasi yang berupa file .txt yang diperoleh dari web server
kemudian disalin ke dalam perangkat lunak yang digunakan untuk membuat
aplikasi mBWD. Pada saat aplikasi mBWD dijalankan maka secara otomatis
data uji akan melalui tahapan praproses (cropping), ekstraksi fitur (histogram
warna), dan klasifikasi k-NN dengan menghitung jarak antara data uji dengan
model klasifikasi pada file .txt menggunakan rumus jarak Euclidean. Seluruh
proses pada aplikasi mBWD dilakukan secara offline.
1
Lingkungan pengembangan
Lingkungan pengembangan yang digunakan pada penelitian ini memiliki
spesifikasi sebagai berikut:
Perangkat keras:
1 Processor Intel Pentium(R) Dual-Core T4400 @ 2,20 GHz.
2 Memory RAM dengan kapasitas 1.00 GB
3 Harddisk dengan kapasitas 150 GB
4 Perangkat ponsel, CPU 800MHz, 158 MB internal storage, 278 MB RAM
Perangkat lunak:
1 Sistem operasi Windows 7 Ultimate.
2 Sistem operasi Android Gingerbread versi 2.3.4
3 Eclipse indigo service release 2
4 Emulator Android Virtual Device Manager (AVD Manager)
5 Dreamweaver CS 5.5
6 XAMPP for Windows Version 1.7.3
HASIL DAN PEMBAHASAN
Akuisisi citra menghasilkan sebanyak 20 data citra untuk tiap skala warna (4
skala warna) sehingga jumlah seluruhnya sebanyak 80 data citra (Lampiran 1),
kemudian dibagi menjadi data latih sebanyak 70% atau 14 data citra untuk tiap
skala warna dan data uji sebanyak 30% atau 6 data citra untuk tiap skala warna
sehingga total seluruhnya berjumlah 56 data citra untuk data latih dan 24 data citra
untuk data uji. Tahap praproses dilakukan dengan teknik cropping untuk
mengambil hanya bagian tengah citra dengan ukuran 60x60 piksel.
Tahap ekstraksi fitur dilakukan dengan mengambil nilai komponen warna
(channel) pada setiap data citra yaitu komponen R, G dan B pada model warna
RGB, komponen H, S dan V pada model warna HSV dan komponen grey pada
10
model warna grayscale. Model warna HSV dan grayscale diperoleh setelah
dilakukan konversi dari model warna RGB menjadi model warna HSV dan dari
model warna RGB menjadi model warna grayscale.
Setiap citra memiliki 3.600 piksel yang tiap pikselnya memiliki nilai dengan
rentang antara 0-255. Frekuensi kemunculan setiap nilai piksel direspresentasikan
pada histogram warna. Contoh representasi citra pada model warna RGB, HSV
dan grayscale, dalam bentuk histogram warna dapat dilihat pada Gambar 7.
Red
Green
Blue
Hue
Saturation
Value
Grey
Gambar 7 Representasi citra pada histogram warna RGB, HSV dan Grayscale
Hasil
Seluruh data latih diunggah ke server BWD yang telah dibuat (Lampiran 6).
Untuk tahap pengujian dilakukan pada perangkat mobile dengan menggunakan
aplikasi mBWD yang telah dibuat (Lampiran 7). Seluruh data hasil pengujian
direkam dalam confusion matrix (Lampiran 2-5) dan direpresentasikan ke dalam
beberapa tabel 2-6.
k-NN dengan nilai k=1
Perbandingan nilai akurasi dengan nilai k=1 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 2-5 sebagai berikut:
Tabel 2 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=1
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
83,33
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
66,67
83,33
66,67
83,33
100,00
50,00
50,00
16,67
100,00
0,00
16,67
100,00
16,67
100,00
66,67
83,33
100,00
83,33
83,33
100,00
Akurasi
(%)
83,33
87,50
45,83
29,17
75,00
87,50
91,67
Dari Tabel 2 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna grayscale yaitu sebesar 91,67%.
11
k-NN dengan nilai k=3
Perbandingan nilai akurasi dengan nilai k=3 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 2.
Tabel 3 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=3
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
16,67
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
50,00
100,00
83,33
83,33
100,00
100,00
66,67
16,67
100,00
0,00
16,67
100,00
33,33
100,00
83,33
83,33
100,00
83,33
83,33
83,33
Akurasi
(%)
83,33
91,67
62,50
29,17
62,50
91,67
87,50
Dari Tabel 3 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna G dan V yaitu sebesar 91,67%.
k-NN dengan nilai k=5
Perbandingan nilai akurasi dengan nilai k=5 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 3.
Tabel 4 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=5
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
0,00
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
66,67
100,00
83,33
83,33
100,00
100,00
66,67
16,67
0,00
0,00
50,00
100,00
16,67
100,00
83,33
83,33
100,00
83,33
83,33
100,00
Akurasi
(%)
87,50
91,67
62,50
12,50
54,17
91,67
91,67
Dari Tabel 4 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna G, V, grayscale yaitu sebesar 91,67%.
k-NN dengan nilai k=7
Perbandingan nilai akurasi dengan nilai k=7 untuk komponen warna R, G, B,
H, S, V dan grayscale dapat dilihat pada Tabel 4.
Tabel 5 Perbandingan nilai akurasi setiap komponen warna R, G, B, H, S, V dan
grayscale dengan nilai k=7
Komponen
Warna
R
G
B
H
S
V
Grayscale
2
100,00
100,00
66,67
0,00
0,00
100,00
100,00
Akurasi tiap skala warna BWD (%)
3
4
5
83,33
16,67
100,00
83,33
83,33
100,00
100,00
50,00
16,67
16,67
0,00
16,67
100,00
33,33
100,00
83,33
83,33
100,00
83,33
83,33
100,00
Akurasi
(%)
75,00
91,67
58,33
8,33
58,33
91,67
91,67
Dari Tabel 5 menunjukkan bahwa nilai akurasi tertinggi terdapat pada komponen
warna G, V, dan grayscale yaitu sebesar 91,67%.
12
Pembahasan
Dari keempat percobaan klasifikasi menggunakan metode k-NN dengan nilai
k sama dengan 1, 3, 5 dan 7 pada komponen warna R, G, B, H, S, V dan grayscale,
pada Tabel 5 dapat dilihat perbandingan nilai akurasi untuk tiap komponen warna
dan untuk tiap nilai k.
Tabel 6 Perbandingan nilai akurasi rata-rata untuk setiap komponen warna dan
setiap nilai k
Komponen
Warna
R
G
B
H
S
V
Grayscale
Rata-rata tiap nilai k
1
83,33
87,50
45,83
29,17
75,00
87,50
91,67
70,83
Akurasi tiap nilai k pada k-NN (%)
3
5
7
83,33
87,50
75,00
91,67
91,67
91,67
62,50
62,50
58,33
29,17
12,50
8,33
62,50
54,17
83,33
91,67
91,67
91,67
87,50
91,67
91,67
70,83
69,04
72,62
Akurasi
Rata-rata (%)
82,29
90,63
57,29
19,79
62,50
90,63
90,63
Dari Tabel 6 menunjukkan bahwa nilai akurasi tertinggi mencapai 91,67 pada
beberapa kondisi sebagai berikut:
1 Komponen warna grayscale pada nilai k sama dengan 1
2 Komponen warna G dan V pada nilai k sama dengan 3
3 Komponen warna G, V dan grayscale pada nilai k sama dengan 5
4 Komponen warna G, V dan grayscale pada nilai k sama dengan 7
Dari beberapa kondisi tersebut di atas, kondisi yang paling efisien pada
saat implementasi adalah sebagai berikut:
1 Menggunakan komponen warna grayscale pada nilai k sama dengan 1 karena
dengan nilai k sama dengan 1 dapat mengurangi proses klasifikasi k-NN
2 Menggunakan komponen warna G pada nilai k sama dengan 3, karena
komponen warna G diperoleh tanpa melalui proses konversi.
Adapun secara keseluruhan nilai akurasi rata-rata tertinggi terdapat pada
komponen warna G, V, dan grayscale yaitu mencapai 90,63% (Gambar 8). Tabel
6 menunjukkan bahwa rata-rata k-NN tertinggi terdapat pada nilai k sama dengan
3 yaitu mencapai 72,62% (Gambar 9).
Akurasi rata-rata
13
100
90
80
70
60
50
40
30
20
10
0
90.63
90.63
90.63
R
G
B
H
S
V
Grey
R
G
B
H
S
V
Grey
Komponen warna
Akurasi rata-rata
Gambar 8 Perbandingan akurasi rata-rata untuk setiap komponen warna
100
90
80
70
60
50
40
30
20
10
0
72.62
1
3
5
Nilai k pada k-NN
7
Gambar 9 Perbandingan akurasi rata-rata untuk setiap nilai k
Daun padi didominasi oleh komponen warna G sehingga nilai piksel untuk
komponen warna G lebih tinggi jika dibandingkan dengan komponen warna R
dan B, hal tersebut yang menjadikan komponen warna G menghasilkan akurasi
rata-rata tertinggi. Pada rumus perhitungan konversi dari model warna RGB ke
model warna HSV, nilai piksel komponen warna V diperoleh dari maksimal nilai
piksel komponen warna R, G dan B sehingga nilai piksel komponen warna V
adalah representasi dari nilai piksel komponen warna G. Model warna grayscale
memiliki nilai akurasi rata-rata tertinggi karena berdasarkan rumus perhitungan
konversi dari model warna RGB ke grayscale, bobot perkalian untuk nilai piksel
komponen warna G lebih tinggi jika dibandingkan bobot perkalian komponen
warna R dan B, sehingga nilai piksel G dominan mempengaruhi hasil konversi.
Dari model klasifikasi yang dihasilkan berupa file .txt yang berisi kumpulan
histogram dari data latih, secara visual dapat terlihat bahwa penggunaan
komponen warna G, V dan grayscale dapat membedakan antara skala warna yang
14
satu dengan skala warna lainnya. Hal tersebut menunjukkan bahwa komponen
warna G, V dan grayscale dapat digunakan sebagai penciri untuk menentukan
skala warna daun padi berdasarkan BWD.
Secara keseluruhan komponen warna H pada model warna HSV
menghasilkan akurasi rata-rata terendah, hal tersebut dikarenakan informasi yang
terkandung di dalam komponen warna H (hue) lebih kepada informasi keragaman
warna, sedangkan daun padi didominasi warna hijau dan memiliki tingkat
keragaman warna yang sedikit. Hal tersebut menunjukkan bahwa komponen
warna H tidak dapat digunakan sebagai penciri untuk menentukan skala warna
daun padi berdasarkan BWD. Demikian pula untuk komponen warna S tidak
dapat digunakan sebagai penciri untuk menentukan skala warna daun padi
berdasarkan BWD karena komponen warna S merepresentasikan tingkat
kejenuhan warna.
Penelitian sebelumnya yang terkait dengan penelitian ini telah dilakukan oleh
Nugroho (2011), dengan judul Pengembangan Sensor Warna Daun untuk Menduga
Kebutuhan Pupuk pada Tanaman Padi, model warna yang digunakan adalah RGB
dengan perhitungan jarak Euclidean. Adapun pada penelitian yang dilakukan oleh
Masyhud (2013), objek penelitiannya adalah daun shorea dengan menggunakan
fitur komponen warna pada model warna RGB dan HSV dengan metode klasifikasi
k-NN. Hasil penelitian tersebut dapat dilihat pada Tabel 7.
Tabel 7 Perbandingan dengan hasil penelitian terkait
Objek
Penelitian
Daun padi
(Nugroho 2011)
Ekstraksi
Fitur
Indeks R, G, dan B
Metode
Klasifikasi
Jarak Euclidean
Akurasi
Rata-rata (%)
60,66
Daun Shorea
(Masyhud 2013)
Komponen R + Haar
Komponen G + Haar
Komponen B + Haar
Komponen H + Haar
Komponen S + Haar
Komponen V + Haar
k-NN
72,00
80,00
69,00
58,00
74,00
80,00
Daun Padi
(Penelitian ini)
Histogram R
Histogram G
Histogram B
Histogram H
Histogram S
Histogram V
Histogram grayscale
k-NN
82,29
90,63
57,29
19,79
62,50
90,63
90,63
Dari Tabel 7 dapat ditunjukkan bahwa penelitian yang dilakukan oleh
Nugroho (2011) memiliki kesamaan dalam hal objek penelitiannya yaitu daun
padi namun data citra dan metode yang digunakan berbeda dengan penelitian ini,
dengan akurasi rata-rata yang dihasilkan mencapai 60,66%. Penelitian yang
dilakukan oleh Masyhud (2013) dengan objek daun shorea, menggunakan fitur
dan metode klasifikasi yang sama namun metode ekstraksi yang digunakan
berbeda yaitu metode Wavelet Haar dan menghasilkan akurasi rata-rata tertinggi
pada komponen warna G dan V yaitu mencapai 80%. Pada penelitian ini
menghasilkan nilai akurasi rata-rata tertinggi pada komponen warna G, V dan
grayscale yaitu mencapai 90,63%.
15
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah mengimplementasikan metode ekstraksi fitur histogram
warna pada masing-masing komponen warna R, G dan B pada model warna RGB,
komponen warna H, S, V pada model warna HSV, dan model warna grayscale,
dengan menggunakan metode klasifikasi k-Nearest Neighbor untuk
mengidentifikasi skala warna pada daun padi. Hasil akurasi rata-rata tertinggi
mencapai 90,63% pada komponen warna G, V dan grayscale. Sedangkan pada
metode klasifikasi k-Nearest Neighbor akurasi rata-rata tertinggi mencapai
72,62% pada nilai k sama dengan 3. Dapat disimpulkan bahwa komponen warna
dan nilai k mempengaruhi hasil akurasi pada identifikasi skala warna daun padi
berdasarkan BWD. Komponen warna yang paling baik digunakan adalah
komponen warna G karena tidak memerlukan tahap konversi model warna dan
untuk nilai k yang paling baik digunakan adalah nilai k sama dengan 3.
Saran
Beberapa saran untuk selanjutnya adalah:
1 Menggunakan metode klasifikasi Bayes atau Support Vector Machine (SVM)
2 Mengimplementasikan ekstraksi fitur dengan metode deteksi tepi untuk
mendapatkan area daun secara utuh dan mempergunakan perhitungan color
moment
3 Dilakukan penambahan data dengan akuisisi citra yang lebih variatif, baik dari
ukuran, resolusi citra, jenis kamera, dan aspek teknis akuisisi lainnya sehingga
data yang digunakan dapat menangani data uji yang bervariasi. Untuk
memperoleh data latih yang lebih presisi, sebaiknya pada saat akuisisi data
citra didampingi oleh peneliti yang berkompeten.
4 Membuat aplikasi mBWD pada sistem operasi iOS, windows phone, symbian
dan sistem operasi lainnya.
DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New
Jersey (US): John Wiley and Sons, Inc., Hoboken.
Balai Besar Penelitian Tanaman Padi. 2007. Bagan warna daun: Menghemat
penggunaan pupuk N pada padi sawah. Subang.
Boiman O, Shechtman E, Irani M. 2008. In defense of nearest neighbor based
image classification. Computer vision and pattern recognition. 2008.
Ford A, Roberts A. 1998. Colour Space Conversion. London (GB): Westminster
University.
Furuya S. 1987. Growth diagnosis of rice plants by means of leaf colour.
JARQ.20(3):147-153
16
Masyhud SK. 2013. Identifikasi daun Shorea dengan k-NN menggunakan discrete
wavelet transform dari komponen warna RGB dan HSV. [skripsi]. Bogor:
Institut Pertanian Bogor.
Nugroho IE, Astika IW, Solahudin M. 2011. Pengembangan sensor warna daun
untuk menduga kebutuhan pupuk pada tanaman padi. [skripsi]. Bogor:
Institut Pertanian Bogor.
Pramesti RPA. 2013. Identifikasi karakter plat nomor kendaraan menggunakan
ekstraksi fitur ICZ dan ZCZ dengan metode klasifikasi k-NN. [skripsi].
Bogor: Institut Pertanian Bogor.
Rabbani M, Jones PW. 1991. Digital Image Compression Techniques. Michigan
(US): Spie Optical Engineering Press, Michigan University.
Rodrigues PS, Araujo AA. 2004. A Bayesian Network Model Combining Color,
Shape and Texture Information to Improve Content Based Image Retrieval
Systems. Petropolis (BR): LNCC.
Sergyan S., 2008. Color Histogram Features Based Image Classification in
Content-Based Image Retrieval Systems. Budapest (HU): Institute of
Software Technology.
Song Y. 2007. Informative k-Nearest Neighbor pattern classification. SpringerVerlag Berlin Heidelberg. 2007: 248-264.
Tan PN, Steinbach M, Kumar V. 2005. Introduction to Data Mining. Boston
(US): Pearson Education, Inc.
Wahyudi. 2012. 2013, “Robot hijau” masih kuasai Indonesia. [Internet]. [diunduh
2012 Juli 23]. Tersedia pada http://tekno.kompas.com/read/2012/12/18/
09270540/2013..Robot.Hijau.Masih.Kuasai.Indonesia.
Wedhaswary. 2012. Temuan peneliti Indonesia kalahkan alat produksi Amerika.
[Internet]. [diunduh 2012 Juli 23]. Tersedia pada http://edukasi.
kompas.com/read/2012/06/28/08592261/Temuan.Peneliti.Indonesia.Kal
ahkan.Alat.Produksi.Amerika.
17
LAMPIRAN
18
19
Lampiran 1 Citra daun
Skala warna level 2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
20
Lampiran 1 Citra daun (lanjutan)
Skala warna level 3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Lampiran 1 Citra daun (lanjutan)
Skala warna level 4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
Lampiran 1 Citra daun (lanjutan)
Skala warna level 5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
23
Lampiran 2 Confusion matrix dengan nilai k=1
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
1
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
4
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
3
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
0
6
Skala 3
6
Skala 4
1
4
Skala 5
5
Skala 4
1
4
Skala 4
Skala 5
1
5
Skala 5
2
5
6
Skala 4
Skala 5
1
3
3
4
2
1
Skala 4
Skala 5
0
1
1
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
5
1
Skala 3
6
Skala 4
4
1
1
Skala 5
Skala 5
6
24
Lampiran 2 Confusion matrix dengan nilai k=1 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
4
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
2
5
6
Skala 4
Skala 5
1
5
6
25
Lampiran 3 Confusion matrix dengan nilai k=3
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
Skala 5
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
6
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
0
6
Skala 3
6
Skala 4
1
4
Skala 5
5
Skala 4
1
3
Skala 4
Skala 5
3
6
Skala 5
1
5
6
Skala 4
Skala 5
1
4
4
1
1
Skala 4
Skala 5
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
1
2
3
Skala 3
6
Skala 4
3
1
2
Skala 5
1
1
Skala 5
6
26
Lampiran 3 Confusion matrix dengan nilai k=3 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
1
5
6
Skala 4
Skala 5
1
5
1
5
27
Lampiran 4 Confusion matrix dengan nilai k=5
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
Skala 5
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
6
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
0
Skala 3
0
Skala 4
Skala 5
3
Skala 4
1
4
Skala 4
Skala 5
2
6
Skala 5
1
5
6
Skala 4
Skala 5
1
4
4
1
1
Skala 4
Skala 5
6
6
6
3
0
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
0
3
3
Skala 3
6
Skala 4
4
1
1
Skala 5
Skala 5
6
28
Lampiran 4 Confusion matrix dengan nilai k=5 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
1
5
6
Skala 4
Skala 5
1
5
6
29
Lampiran 5 Confusion matrix dengan nilai k=7
Komponen warna R(red)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
Skala 5
Komponen warna G(green)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna B(blue)
Target
Masukan Skala 2 Skala 3
Skala 2
4
1
Skala 3
6
Skala 4
1
Skala 5
1
Komponen warna H(hue)
Target
Masukan Skala 2 Skala 3
Skala 2
5
Skala 3
1
Skala 4
Skala 5
5
Skala 4
1
1
Skala 4
Skala 5
5
6
Skala 5
1
5
6
Skala 4
Skala 5
1
3
4
2
1
Skala 4
Skala 5
1
5
6
1
Komponen warna S(saturation)
Target
Masukan Skala 2 Skala 3 Skala 4
Skala 2
3
3
Skala 3
6
Skala 4
3
1
2
Skala 5
Skala 5
6
30
Lampiran 5 Confusion matrix dengan nilai k=7 (lanjutan)
Komponen warna V(value)
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Komponen warna grayscale
Target
Masukan Skala 2 Skala 3
Skala 2
6
Skala 3
5
Skala 4
1
Skala 5
Skala 4
Skala 5
1
5
6
Skala 4
Skala 5
1
5
6
31
Lampiran 6 Screenshoot aplikasi
a. Tampilan situs mBWD
Halaman home
Halaman admin
Halaman tambah data citra
32
Lampiran 6 Screenshoot aplikasi (lanjutan)
b. Tampilan aplikasi mBWD
Menu Home
Menu Galeri
Menu Kamera
Menu Petunjuk
Pemilihan citra dari galeri
Proses citra dari galeri
Proses citra dari kamera
Proses identifikasi
Hasil identifikasi
33
RIWAYAT HIDUP
Penulis lahir di Bogor, tanggal 21 Maret 1979, merupakan putra keempat
dari empat bersaudara dari pasangan yang bernama Kuslan Surakusumah dan
Sulastri Kuslan. Penulis lulus dari SMA Negeri 3 Bogor pada tahun 1997,
kemudian melanjutkan studi Diploma 3 di Universitas Gunadarma sejak tahun
1997 sampai dengan 2000. Pada tahun 2001 sampai dengan saat ini, penulis
berkesempatan bekerja sebagai staf pada salah satu unit kerja di Kementerian
Pertanian Republik Indonesia.
Pada tahun 2004 penulis menikah dan saat ini telah memiliki satu orang
putera dan satu orang puteri. Kesempatan untuk melanjutkan studi Sarjana S1
datang setelah adanya program Tugas Belajar dari instansi tempat penulis bekerja,
maka sejak tahun 2010 penulis kembali menempuh studi di Departemen Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.