Perkiraan Nilai Reflectance Berdasarkan Warna Citra Digital Menggunakan Wiener Estimation untuk Menduga Usia Tanaman Sambiloto

PERKIRAAN NILAI REFLECTANCE BERDASARKAN WARNA
CITRA DIGITAL MENGGUNAKAN WIENER ESTIMATION
UNTUK MENDUGA USIA TANAMAN SAMBILOTO

NURUL AZIZAH

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

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Perkiraan Nilai
Reflectance Berdasarkan Warna Citra Digital Menggunakan Wiener Estimation
untuk Menduga Usia Tanaman Sambiloto adalah benar karya saya dengan arahan
dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2013
Nurul Azizah
NIM G64090079

ABSTRAK
NURUL AZIZAH Perkiraan Nilai Reflectance Berdasarkan Warna Citra Digital
Menggunakan Wiener Estimation untuk Menduga Usia Tanaman Sambiloto.
Dibimbing oleh YENI HERDIYENI dan RUDI HERYANTO
Penelitian ini mengembangkan sistem untuk memperkirakan nilai
reflectance dan usia tanaman Sambiloto (Andrographis paniculata) dengan
menggunakan Wiener Estimation dan probabilistic neural networks (PNN).
Sambiloto merupakan jenis tanaman obat yang mengandung senyawa
andrografolid dan dapat menyembuhkan penyakit. Wiener Estimation digunakan
untuk memperkirakan nilai reflectance daun sambiloto berdasarkan nilai RGB.
Berdasarkan hasil eksperimen, transformasi Wiener dengan menggunakan orde 2
memberikan hasil estimasi yang baik. PNN digunakan untuk memprediksi umur
sambiloto. Akurasi identifikasi usia tanaman sambiloto dengan menggunakan
PNN sebesar 73.61% . Hasil penelitian ini dapat digunakan oleh masyarakat untuk

untuk mengetahui mutu tanaman obat dengan melihat umur tanaman .
Kata Kunci: polynomial, Probabilistic Neural Network, reflectance,
sambiloto, Wiener Estimation

ABSTRACT
NURUL AZIZAH. Estimated Reflectance Value Based On The Color Digital
Image Using Wiener Estimation for Predicting Age Sambiloto. Supervised by
YENI HERDIYENI and RUDI HERYANTO
This research developed a system to estimate the reflectance value and to
predict Sambiloto plants age (Andrographis paniculata) using Wiener Estimation
and probabilistic neural networks (PNN). Sambiloto is a medicinal plant
containing Andrografolide compounds. Wiener Estimation is used to estimate the
sambiloto reflectance values based on RGB values. According to experimental
result, Wiener transformation using 2 orde give a good estimations. PNN is used
to predict Sambiloto’s age. The accuracy of Sambiloto’s age using PNN is
73.61%. Results of this research can be used by the public to know about the
quality of medical plant based on the age plant.
Keyword: polynomial, Probabilistic Neural Network, reflectance, sambiloto, Wiener
Estimation

PERKIRAAN NILAI REFLECTANCE BERDASARKAN WARNA
CITRA DIGITAL MENGGUNAKAN WIENER ESTIMATION
UNTUK MENDUGA USIA TANAMAN SAMBILOTO

NURUL AZIZAH

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

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

Penguji: Hari Agung Adrianto, SKom, MSi

Judul Skripsi : Perkiraan Nilai Reflectance Berdasarkan Warna Citra Digital

Menggunakan Wiener Estimation untuk Menduga Usia Tanaman
Sambiloto
Nama
: Nurul Azizah
NIM
: G64090079

Disetujui oleh

Rudi Heryanto, SSi, MSi
Pembimbing II

Dr Yeni Herdiyeni, SSi, MKom
Pembimbing I

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2013 ini ialah
reflectance, dengan judul Perkiraan Nilai Reflectance Berdasarkan Warna Citra
Digital Menggunakan Wiener Estimation untuk Menduga Usia Tanaman
Sambiloto Terima kasih penulis ucapkan kepada pihak-pihak yang telah
membantu dalam penyelesaian tugas akhir ini, yaitu:
1 Bapak Djonnelry, Mama, Uni Nita, Uni Rini, Uni Fifi, Kakak Fetty,
keponakan-keponakanku (Azka, Tiara, Kifaya, Nabiha, dan Kenzie),
kakak iparku (Ka Syukur, A Budi, dan Bang Roby) yang tidak hentihentinya memberikan doa, kasih sayang, dan dukungan kepada penulis
dalam menyelesaikan tugas akhir ini.
2 Ibu Dr Yeni Herdiyeni, SSi, MKom dan Bapak Rudi Heryanto, SSi, MSi
selaku dosen pembimbing yang telah memberikan arahan dan
bimbingan kepada penulis dalam menyelesaikan tugas akhir ini.
3 Bapak Hari Agung Adrianto, SKom, MSi selaku dosen penguji.
4 Dosen-dosen di Departemen Ilmu Komputer yang telah memberikan

ilmu kepada penulis
5 Teman-teman satu bimbingan Faradina, Doddy, Ikhsan, Kak Maryian,
Kak Kholis, Anita, Yutika atas saran, masukan, dan nasihat yang
diberikan kepada penulis.
6 Rini, Hanna, Iis, Luksie, Wulan, Haqqi, Ari, Erwin, Rangga, Fahri,
Aziz, Yuzar, serta kepada teman-teman Ilmu Komputer IPB 46 yang
selalu memberikan semangat, bantuan, dan motivasi yang telah
diberikan kepada penulis.
Semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2013
Nurul Azizah

DAFTAR ISI
DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Sambiloto (Andrographis paniculata)

2

RGB

3

Reflectance

3

Spektrofotometer UV-VIS

4

Wiener Estimation

5

Probabilistic Neural Network

6

K-fold Cross Validation

8

Confusion Matrix

8

METODE

9

Pengumpulan Data

10

Praposes

11

Ekstraksi Ciri

12

Pembagian Data Latih dan Uji

12

Klasifikasi dengan Probabilistic Neural Network

13

Evaluasi

13

Spesifikasi Perangkat Lunak dan Perangkat Keras

13

HASIL DAN PEMBAHASAN

14

Ekstraksi Citra

14

Model Klasifikasi Citra

19

Evaluasi

20

Implementasi Sistem

21

SIMPULAN DAN SARAN

22

Simpulan

22

Saran

22

DAFTAR PUSTAKA

22

RIWAYAT HIDUP

31

DAFTAR TABEL
1
2
3
4
5
6
7
8

Model Polynomial
Confusion matrix untuk masalah klasifikasi biner
Pembagian data latih dan data uji dengan 5-fold cross validation
Nilai error menggunakan 97 standar warna dan 46 tanaman obat
Hasil GFC dengan menggunakan 97 standar warna dan 46
tanaman obat
Akurasi hasil identifikasi penyakit sebanyak 5 iterasi
Hasil identifikasi usia sambiloto pada fold 1
Akurasi identifikasi usia sambiloto

5
8
12
15
16
19
19
20

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Sambiloto (Andrographis paniculata)
Panjang gelombang RGB
Proses nilai reflectance yang dihasilkan dari sumber cahaya
Spektrofotometer
Proses pengambilan nilai reflectance dengan kamera
Struktur PNN
tiga-fold cross validation
Metode penelitian
Proses pengambilan data
Proses
pengambilan
nilai
reflectance
menggunakan
spektrofotmeter
Ilustrasi cara pengambilan rata-rata nilai reflectance dan RGB
pada 6 titik
Tahap praproses
Estimasi nilai reflectance sambiloto usia 3 bulan dengan
menggunakan 97 standar warna
Estimasi nilai reflectance sambiloto usia 3 bulan dengan
menggunakan 97 standar warna dan 46 tanaman obat
Spektrum rekontruksi daun sambiloto menggunakan term 7
Nilai spektrum rekontruksi daun sambiloto 1, 2, dan 3 bulan
dengan term 7
Nilai reflectance daun sambiloto usia 1, 2, dan 3 bulan
Antarmuka sistem perkiraan nilai reflectance
Tampilan hasil nilai reflectance dan usia daun sambiloto

2
3
3
4
4
7
8
9
10
11
11
12
14
14
18
18
20
21
21

DAFTAR LAMPIRAN
1
2
3

Data latih 46 daun tanaman obat untuk pembentukan model
matriks transformasi
Data latih 97 standar warna untuk pembentukan model matriks
transformasi
Hasil klasifikasi dengan bias 0.6

24
27
29

PENDAHULUAN
Latar Belakang
Tanaman obat memiliki senyawa aktif yang berkhasiat. Senyawa aktif ini
merupakan hasil dari metabolit sekunder yang dapat menyembuhkan penyakit dan
membutuhkan perlakuan yang berbeda dalam penggunaannya (Fathniyah 2011).
Tanaman obat banyak digunakan oleh masyarakat karena efek samping yang
relatif lebih sedikit dan harganya yang murah. Kandungan senyawa aktif tanaman
obat sangat bervariasi bergantung pada spesies, varietas, asal geografis, budidaya,
metode pemanenan, dan proses pasca panen (Singh et al. 2010). Spesies
merupakan suatu takson yang dipakai dalam taksonomi untuk menunjuk pada satu
atau beberapa kelompok individu yang serupa, sedangkan peringkat taksonomi
yang berada di bawah spesies disebut varietas. Budidaya adalah kegiatan
terencana pemiliharaan sumber daya hayati yang dilakukan pada suatu area lahan
untuk diambil manfaatnya.
Selain itu, faktor umur tanaman obat dapat dijadikan penanda mutu dari
suatu tanaman obat (Anuradha 2010). Usia tanaman obat dapat dilihat dari tingkat
kecerahan warna daun. Umumnya, tanaman obat yang berusia muda memiliki
daun berwarna muda atau lebih terang, sedangkan tanaman obat yang berusia tua
memiliki daun berwarna gelap. Warna daun dapat menentukan nilai reflectance
berdasarkan nilai RGB-nya. Pengukuran reflectance dapat dihitung dengan
menggunakan alat spektrofotometer. Adanya kandungan senyawa aktif yang
bervariasi dapat menyebabkan tidak konsistennya stabilitas produk dan keamanan
obat sehingga dibutuhkan metode kendali mutu tanaman obat untuk mengontrol
kualitas dan keamanan obat. Penentuan mutu tanaman obat biasanya dilakukan
dengan uji lab kimia. Akan tetapi, hal ini dianggap kurang baik karena dapat
merusak sampel tanaman obat, waktu pemrosesan yang cukup lama, dan biaya
yang mahal. Untuk mengatasi masalah tersebut, dibutuhkan teknik lain dalam
melakukan kendali mutu tanaman obat yaitu dengan pengolahan citra. Pengolahan
citra yang dilakukan adalah dengan melihat nilai reflectance yang diambil dari
sebuah citra dengan menggunakan kamera berdasarkan nilai RGB.
Pencitraan spektrum dengan metode Wiener Estimation telah
dimanfaatkan oleh Shatilova (2008) untuk memperkirakan kandungan kartenoid
di kulit ikan arctic charr (Salvelinus alpinus) dengan melibatkan rekonstruksi
spektrum reflectance dari citra RGB. Hasil penelitiannya menunjukkan bahwa
rekonstruksi spektrum reflectance pada ikan beku lebih baik dibandingkan dengan
ikan segar. Perkiraan spektrum reflectance dari citra RGB menggunakan metode
Wiener Estimation juga telah dilakukan oleh Stigell et al. (2007). Berdasarkan
penelitiannya, rekonstruksi spektrum reflectance Macbeth color checker (24
standar warna) menghasilkan term 10 sebagai model polynomial terbaik dengan
nilai error 0.040 dan citra icon menghasilkan term 3 sebagai model polynomial
terbaik dengan nilai error sebesar 0.096.
Penelitian ini menggunakan metode Wiener Estimation untuk menduga
nilai reflectance berdasarkan warna citra digital daun sambiloto (Andrographis
paniculata). Nilai reflectance tersebut nantinya dapat menjadi penentuan kualitas
tanaman obat berdasarkan usia tanaman.

2
Tujuan Penelitian
Tujuan penelitian ini adalah memperkirakan nilai reflectance berdasarkan
warna citra digital menggunakan Wiener Estimation untuk menduga usia tanaman
sambiloto.
Manfaat Penelitian
Manfaat penelitian ini adalah membantu masyarakat untuk mengetahui mutu
tanaman obat dengan melihat umur tanaman sehingga tanaman obat tersebut dapat
digunakan secara benar dan tepat.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian kali ini adalah data citra daun sambiloto
(Andrographis paniculata) dengan mutu umur berbeda (1, 2, dan 3 bulan) yang
dipanen dari kebun Biofarmaka Dramaga Bogor. Metode klasifikasi menggunakan
Probabilistic Neural Network (PNN)

TINJAUAN PUSTAKA
Sambiloto (Andrographis paniculata)
Sambiloto merupakan jenis tanaman obat yang banyak digunakan untuk
menyembuhkan penyakit (Gambar 1). Herba sambiloto berkhasiat untuk
mengatasi hepatitis, infeksi saluran empedu, disentri basiler, tiroid, diare,
influenza, radang amandel (tonsilitis), abses paru, radang paru (pneumonia),
radang saluran napas (bronkitis), radang ginjal akut (pielonefritis akut), radang
telinga tengah, radang usus buntu, sakit gigi, demam, malaria, kencing nanah
(gonore), kencing manis, TB paru, skrofuloderma, batuk rejan, pertusis), sesak
napas (asma), darah tinggi (hipertensi), kusta (morbus hansen atau lepra),
leptospirosis, keracunan jamur, singkong, tempe bongkrek, makanan laut serta
kanker (BPPP 2012).
Sambiloto mudah menjadi banyak dan tumbuh liar di tempat terbuka
seperti di kebun, tepi sungai, tanah kosong yang agak lembab, atau ditanam di
pekarangan sebagai tumbuhan obat. Sambiloto mengandung laktone
(deoksiandrografolid, andrografolid, neoandrografolid, 14-deoksi-11, 12didehidroandrografolid, dan homoandrografolid), flavonoid, alkane, keton,
aldehid, mineral (kalium, kalsium, natrium, asam kersik, dan damar (Dalimartha
2002).

Gambar 1 Sambiloto (Andrographis paniculata)

3
RGB
Pada model RGB, setiap warna muncul pada komponen spektrum utama
yaitu merah, hijau, dan biru. Warna RGB memilki panjang gelombang 400 nm
sampai 700 nm yang dapat dilihat pada Gambar 2.
Merah

Biru
Hijau

,

Wavelength (nm)

Gambar 2 Panjang gelombang RGB
Model RGB disebut additive model karena semua warna spektrum dari
380-780 nm dapat dibentuk dengan mencampur tiga warna primer dalam proporsi
yang berbeda. Standarisasi panjang gelombang untuk 3 komponen spektrum
warna utama dibuat oleh CIE (Commision International de I’Eclairage) pada
tahun 1931 dengan biru = 435.8 nm, hijau = 546.1 nm, dan merah 700 nm
(Gonzalez et al. 2002).
Reflectance
Reflectance adalah sinar yang dipantulkan oleh sebuah objek yang terdapat
pada panjang gelombang tertentu, sedangkan absorpsi adalah sinar yang diserap
oleh sebuah objek yang terdapat pada panjang gelombang tertentu. Setiap objek
yang berbeda mematulkan dan menyerap panjang gelombang yang berbeda.
Satuan nilai reflectance dinyatakan dalam Watt/m2 (CRIPS 2001). Semakin tinggi
nilai reflectance, nilai absorpsi yang dihasilkan akan semakin tinggi. Sebaliknya,
semakin rendah nilai reflectance yang dihasilkan maka semakin rendah nilai
absorbsinya. Proses nilai reflectance yang dihasilkan dari sumber cahaya dapat
dilihat pada Gambar 3.
Incident
rays
Sinar
datang

Sinar
reflektan
Reflected
rays

Smooth surface
Permukaan
halus

Sinar
datang
Incident
rays

Sinar
reflektan
Reflected
rays

Rough surface
Permukaan
kasar

Gambar 3 Proses nilai reflectance yang dihasilkan dari sumber cahaya

4
Spektrofotometer UV-VIS
Spektrofotometer absorpsi adalah sebuah instrumen yang mengukur nilai
absorpsi atau penyerapan cahaya dengan energi (panjang gelombang) tertentu oleh
suatu atom atau molekul. Spektrofotometer yang sering digunakan berada dalam
daerah spektrum UV (ultraviolet) dan visual (sinar tampak). Molekul dalam
daerah energi ini akan mengalami transisi elektron. Spektroskopi UV/Vis
merupakan suatu spektroskopi absorbsi berdasarkan radiasi elektromagnetik pada
panjang gelombang 160 sampai 780 nm (Skoog et al. 2004). Spektroskopi
UV/Vis merupakan suatu spektroskopi absorbsi berdasarkan radiasi
elektromagnetik pada panjang gelombang 160 sampai 780 nm (Skoog et al. 2004).
Secara umum, spektroskopi terdiri dari sumber cahaya, pemilih panjang
gelombang (wavelength selector), dan detektor. Alat spektroskopi dapat dilihat
lebih jelas pada Gambar 4. Sumber radiasi dapat berupa lampu incandescent dan
lampu tungsten hologen. Hasil citra objek yang difoto menggunakan kamera dapat
dilihat nilai reflectance-nya berdasarkan nilai RGB citra. Tiap piksel citra akan
menghasilkan nilai reflectance berdasarkan panjang gelombang yang diinginkan.
Proses pengambilan nilai reflectance dengan kamera dapat dilihat pada Gambar 5.
Spektrometer

Sumber
cahaya

Fiber optik probe
Objek

Gambar 4 Spektrofotometer

Sumber
Cahaya

Kamera Digital
dengan
Detektor CCD

R
G
B
Elektron
tereksitasi

Arus

Gambar 5 Proses pengambilan nilai reflectance dengan kamera

5
Wiener Estimation
Wiener Estimation merupakan teknik yang digunakan untuk menentukan
nilai reflectance dari suatu citra. Wiener Estimation dalam citra ditentukan
menggunakan persamaan (1) (Jetsu et al. 2006).
Y=W.X

(1)

dengan:
X = matriks RGB dari kamera
Y = matriks spektrum reflectance yang terdiri dari banyaknya sampel (l)
dan banyak channel spektrum (n)
W = matriks transformasi.
Estimasi matriks W secara eksplisit dapat direpresentasikan dengan
persamaan (2).
-

(2)

dan adalah matriks kolerasi. Matriks Rrv dan Rvv dapat didefinisikan
dengan persamaan (3).
Rrv =
, Rvv =
(3)
dengan r adalah vektor kolom yang menyatakan nilai spektrum reflectance satu
piksel pada citra dan v adalah vektor kolom dengan elemen RGB. Persamaan
polynomial yang digunakan pada penelitian ini dapat dilihat pada Tabel 1.
Tabel 1 Model Polynomial
Orde
1
2

Terms
3
7

3

10

Model Poynomial
RGB
R G B R2 G2 B2 RGB
R G B R2 G2 B2 RG RB GB RGB

Pengukuran nilai error untuk spektrum rekonstruksi dapat dicari dengan
menggunakan root-mean-square-error (RMSE). Perhitungan RMSE dihitung
dengan menggunakan persamaan (4).
√∑

(

(̃
))

dengan:
= spektrum original
̌ = spektrum rekonstruksi
n = banyak channnel spektrum
Nilai RMSE digunakan untuk menentukan data latih yang akan digunakan
sebagai matriks transformasi. Kemiripan pola dari spektrum rekonstruksi dengan

6
spektrum original dapat dicari dengan menggunakan Goodness of Fit Coefficient
(GFC). Nilai GFC dapat dihitung dengan menggunakan persamaan (5) (Mansouri
et al. 2008).

( ∑[

∑

] ) (∑ [

] )

dengan:
Rm(λj) = spektrum original
Rr(λj) = spektrum rekonstruksi
Interpretasi nilai GFC dibagi menjadi 4 kategori rekonstruksi spektrum
yaitu GFC ≥ 0.9999 Excellent, 0.999 ≤ GFC < 0.9999 Very Good, 0.99 ≤ GFC <
0.999 Good, dan GFC < 0.99 Satisfactory of poor.

Probabilistic Neural Network
Probabilistic Neural Network (PNN) merupakan JST (Jaringan Saraf
Tiruan) yang dibangun berdasarkan kaidah keputusan Bayes dan dikembangkan
oleh Donald F. Specht pada tahun 1988. PNN menggunakan radial basis function
(RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel
nonlinear (Wu et al. 2007). Keuntungan menggunakan PNN adalah proses
pelatihan data yang lebih mudah dan cepat dibandingkan dengan JST Back
Propagation karena PNN hanya membutuhkan 1 kali iterasi pelatihan
dibandingkan dengan JST Back Propagation yang membutuhkan beberapa kali
iterasi dalam proses pelatihannya. PNN terdiri atas 4 lapisan, yaitu lapisan
masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN
selengkapnya ditunjukkan pada Gambar 6. Lapisan yang menyusun PNN adalah
sebagai berikut:
1 Lapisan input (input layer)
Lapisan masukan merupakan input x yang terdiri atas nilai yang akan
diklasifikasikan pada salah satu kelas dari kelas.
2

Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input dan
vektor bobot
, yaitu
.
kemudian dibagi dengan bias (σ)
tertentu dan selanjutnya dimasukkan ke dalam fungsi Parzen, yaitu
( ) e p (- ). Dengan demikian, persamaan yang digunakan pada lapisan
pola sebagai berikut:
( )

e p (-

( -

T

) ( σ

)

)

(9)

dengan xAi menyatakan vektor bobot atau vektor latih kelas ke-A urutan kei.
3 Lapisan penjumlahan (summation layer)

7
Pada lapisan penjumlahan, setiap pola pada masing-masing kelas
dijumlahkan sehingga menghasilkan population density function untuk
setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
(

) σ

dengan

∑

e p (-

( -

) ( σ

)

) (10)

= peluang kelas A
= peluang bersyarat x jika masuk ke dalam kelas A
xAi
= vektor latih kelas A urutan ke-i
= dimensi vektor input
NA
= jumlah data pelatihan kelas A
σ
= bias atau faktor pemulus
4 Lapisan keluaran (output layer)
Pada lapisan keluaran, input x akan diklasifikasikan ke kelas A jika nilai
paling besar dibandingkan dengan kelas lainnya.

g1
Sum
1

gm
f1
Kelas 1

f2

g1

Sum
2

f3

Kelas
Keputusan

gm
fn

Kelas 2
1

g1
Sum
n

gm
Kelas n
1

Lapisan
Masukan

Lapisan
Pola

Lapisan
Penjumlahan

Gambar 6 Struktur PNN

Lapisan
Keputusan

8
K-fold Cross Validation
K-fold cross validation digunakan untuk mengevaluasi dan mengukur
kinerja prediksi model klasifikasi. Cross validation membuat penggunaan data
menjadi lebih baik. Cross validation membagi data menjadi 2 bagian. Satu bagian
digunakan sebagai training set (data latih), yaitu untuk membuat parameter model
dalam classifier. Bagian lainnya merupakan test set (data uji) yang digunakan
untuk menguji kinerja model (Westerhuis et al. 2008).
K-fold cross validation merupakan teknik resampling yang membagi data
menjadi k subdata. Setiap subdata berjumlah l/k dengan l adalah jumlah seluruh
data, k - 1 subdata digunakan sebagai data latih data dan 1 subdata lainnya
digunakan sebagai data uji (Anguita et al. 2009). Gambar 7 merupakan ilustrasi
dari tiga-fold cross validation.

Data
latih

Data
latih

Data
latih

Model

Model

Model

Data
uji

Data
uji

Data
uji

Hasil

Hasil

Hasil

Gambar 7 tiga-fold cross validation
Confusion Matrix
Salah satu metode untuk mengevaluasi kinerja classifier adalah
menggunakan confusion matrix. Confusion matrix merangkum jumlah data yang
diprediksi benar atau salah oleh model klasifikasi. Confusion matrix lebih sering
disebut dengan tabel kontingensi. Tabel 2 adalah confusion matrix untuk masalah
dua kelas, yang diberi label kelas positif (+) dan kelas negatif (-). Jumlah data
yang diklasifikasikan dengan benar adalah jumlah diagonal dalam matriks,
sedangkan yang lainnya adalah yang salah diklasifikasikan (Srinivasulu et al.
2009).
Tabel 2 Confusion matrix untuk masalah klasifikasi biner

Kelas
sebenarnya

+
-

Kelas prediksi
+
TP
FN
FP
TN

9
Terminologi berikut ini sering digunakan ketika mengacu pada jumlah yang
ditabulasikan dalam confusion matrix (Srinivasulu et al. 2009):
1. True positive (TP): jumlah data positif yang dengan benar diprediksi oleh
model klasifikasi.
2. False negative (FN): jumlah data positif yang salah diprediksi. Diprediksi
sebagai negatif oleh model klasifikasi.
3. False positive (FP): jumlah data negatif yang salah diprediksi. Diprediksi
sebagai positif oleh model klasifikasi.
4. True negative (TN): jumlah data negatif yang dengan benar diprediksi oleh
model klasifikasi.

METODE
Tahap-tahap yang dilakukan dalam penelitian ini adalah pengambilan data,
praproses, estimasi nilai reflectance dengan Wiener Estimation, klasifikasi PNN,
dan evaluasi. Tahapan penelitian yang lebih detail dapat dilihat pada Gambar 8.

Pembentukan model transformasi

Pendugaan nilai reflectance dan penentuan
usia tanaman
Pengambilan
Data citra

Pengambilan
Data citra

Praproses
Praproses
Ekstraksi Ciri
Ekstraksi Ciri
Estimasi nilai reflectance
dengan Wiener Estimation

Orde 1

Orde 2

Orde 3
K-fold cross validation

RMSE dan GFC
Data Uji

Data Latih
Model Polynomial
Klasifikasi PNN

Evaluasi

Gambar 8 Metode penelitian

10
Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data citra 46 daun
tanaman obat yang terdiri atas daun muda dan daun tua serta 90 daun sambiloto
yang diambil dari kebun Biofarmaka, Cikabayan IPB. Selain data citra daun,
penelitian ini juga menggunakan data 97 standar warna. Data citra 46 daun
tanaman obat dapat dilihat pada Lampiran 1 dan citra 97 standar warna dapat
dilihat pada Lampiran 2.

Gambar 9 Proses pengambilan data
Saat pengambilan citra, 46 daun tanaman obat dan 90 daun sambiloto
diletakkan di dalam kotak yang memiliki background putih secara bergantian.
Proses pengumpulan data dapat dilihat pada Gambar 9. Pencahayaan di dalam
kotak menggunakan lampu tungsten. Hal ini dilakukan agar warna pencahayaan
yang dihasilkan sama dengan waktu pengambilan nilai reflectance menggunakan
spektofotometer USB 4000.
Proses pengambilan nilai reflectance dari suatu objek adalah dengan
meletakkan alat spektrofotometer yang sudah tersambungkan dengan komputer ke
objek yang akan diamati. Nilai reflectance pada setiap satu titik piksel secara
otomatis akan muncul di layar komputer. Proses pengambilan nilai reflectance
dapat dilihat pada Gambar 10. Nilai reflectance diambil pada bagian bawah tulang
daun sebanyak 6 titik, sedangkan nilai RGB yang digunakan adalah nilai rata-rata
yang diambil pada wilayah pengambilan nilai reflectance. Pengambilan nilai
reflectance dengan spektrofotometer menghasilkan 1540 channel dari panjang
gelombang 400-700 nm untuk satu titik piksel. Banyaknya 1540 channel
dihasilkan, dilakukan praproses dengan merata-ratakan setiap tiga data dari 1540
channel sehingga channel yang dihasilkan menjadi 515 channel. Ilustrasi cara
pengambilan nilai rata-rata reflectance dan RGB dapat dilihat pada Gambar 11.
Data diambil menggunakan kamera digital dengan ukuran 3888 x 2592 piksel.
Citra yang terkumpul sebanyak 143 yang terdiri atas 97 standar warna, 46
tanaman obat, dan 360 daun sambiloto yang digunakan sebagai data latih dan data
uji.

11

Sumber cahaya

Detektor

6 titk tempat pengambilan nilai
reflectance

Gambar 10 Proses pengambilan nilai reflectance menggunakan spektrofotmeter

Daun 1

keenam titik
reflectance dan RGB
di rata-ratakan

Daun 2

keenam titik
reflectance dan RGB
di rata-ratakan

Daun 46

keenam titik
reflectance dan RGB
di rata-ratakan

Matriks
Y= 1x515
X=1x3
Matriks
Y= 1x515
X=1x3

Matriks
Y= 46x515
X=46x3

Matriks
Y= 1x515
X=1x3

Gambar 11 Ilustrasi cara pengambilan rata-rata nilai reflectance dan RGB
pada 6 titik

Praproses
Pada tahap praproses, 46 citra daun tanaman obat dan 90 daun sambiloto
yang telah dikumpulkan dilakukan cropping secara manual. Sementara itu, untuk
penentuan model polynomial terbaik, citra sambiloto yang digunakan sebagai
model polynomial di-crop di bagian bawah tulang daun. Hal ini dilakukan agar
wilayah pengambilan nilai reflectance sama saat menggunakan spektrofotometer
USB 4000. Proses cropping daun sambiloto untuk model polynomial dapat dilihat
pada Gambar 12. Data reflectance daun yang diambil menggunakan alat
spektrofotometer dilakukan tahap praproses menggunakan teknik boxcar 3.
Boxcar 3 adalah merata-ratakan setiap tiga data dari banyaknya channel yang
dihasilkan oleh suatu nilai reflectance untuk satu titik piksel.

12

Citra asli

Citra hasil cropping

Daerah cropping

Gambar 12 Tahap praproses
Ekstraksi Ciri
Ekstraksi ciri merupakan tahapan untuk mengambil ciri yang ada pada
suatu citra yang akan digunakan untuk klasifikasi citra. Pada penelitian ini,
ekstraksi ciri yang digunakan adalah mengkalikan hasil Wiener Estimation dengan
citra daun Sambiloto yang berusia 1, 2, dan 3 bulan. Hasil citra dari tahapan
praproses dihitung nilai spektrum rekonstruksi menggunakan model polynomial
pada Tabel 1. Proses rekonstruksi transformasi polynomial membutuhkan data
latih dan dan uji. Data latih yang digunakan adalah 97 standar warna dan 46
tanaman obat yang sudah diketahui nilai RGB dan nilai reflectance. Penggunaan
model polynomial terbaik dilihat berdasarkan nilai RMSE dan GFC yang hitung
dengan menggunakan persamaan (4) dan (5).
Pembagian Data Latih dan Uji
Data dibagi menjadi 2 bagian, yaitu data latih dan data uji. Hasil ekstraksi
fitur dari data latih digunakan sebagai masukan untuk pelatihan dengan
menggunakan PNN, sedangkan hasil ekstraksi fitur dari data uji digunakan untuk
menguji model hasil pelatihan. Pengujian dilakukan untuk mengetahui
kemampuan model dalam menduga usia tanaman Sambiloto berdasarkan nilai
reflectance-nya. Pembagian data latih dan uji untuk klasifikasi dengan PNN
menggunakan metode k-fold cross validation. Pada penelitian ini menggunakan
nilai = 5 sehingga disebut 5-fold cross validation. Tujuannya adalah agar
persentase data latih dan uji masing-masing sebesar 80% dan 20%. Pembagian
data latih dan data uji dengan 5-fold cross validation ditunjukkan pada Tabel 2.
Data dibagi menjadi 5 subset. Setiap subset digunakan sebagai data uji dan 4
subset lainnya menjadi data latih. Oleh karena itu, dari 360 citra yang tersedia,
sebanyak 288 citra digunakan sebagai data latih dan 72 citra sisanya digunakan
sebagai data uji dalam setiap percobaan yang dilakukan.
Tabel 3 Pembagian data latih dan data uji dengan 5-fold cross validation
Percobaan
Data latih
Data uji
Fold 1
Fold 2
Fold 3
Fold 4

S2, S3, S4, S5
S1, S3, S4, S5
S1, S2, S4, S5
S1, S2, S3, S5

S1
S2
S3
S4

Fold 5

S1, S2, S3, S4

S5

13
Klasifikasi dengan Probabilistic Neural Network
Pendugaan usia Sambiloto berdasarkan nilai reflectance-nya dilakukan
dengan menggunakan PNN. Struktur PNN terdiri atas lapisan masukan, pola,
penjumlahan dan keputusan. Lapisan masukan berupa vektor hasil ekstraksi fitur
dari citra Sambiloto. Pada lapisan pola, digunakan satu model PNN dengan nilai
bias ( σ ) tetap. Bias merupakan suatu nilai parameter yang berguna untuk
menghaluskan fungsi kernel. Data latih terdiri atas 288 citra dari 3 kelas yang
masing-masing kelas terdapat 96 citra sambiloto, sedangkan data uji terdiri atas 72
citra dari 3 kelas yang masing-masing kelas terdapat 24 citra. Hasil ekstraksi data
latih digunakan untuk membuat model klasifikasi. Akurasi klasifikasi PNN sangat
ditentukan oleh faktor penghalus ( ) dan pola pelatihan yang diberikan. Pada
penelitian ini, klasifikasi PNN menggunakan nilai bias 0.6.
Evaluasi
Evaluasi dilakukan untuk mengestimasi nilai reflectance dan mengetahui
umur suatu tanaman obat. Hasil estimasi nilai reflectance dapat diketahui dengan
menggunakan persamaan (5). Pengujian yang dilakukan dalam evaluasi ini adalah
mengetahui umur tanaman obat dari nilai reflectance.

akurasi

∑ data u i yang benar
∑ data u i

Spesifikasi Perangkat Lunak dan Perangkat Keras
Spesifikasi perangkat keras dan perangkat lunak yang dipakai dalam
pengembangan penelitian ini adalah:
 processor Intel(R) Dual-Core CPU T4300 @2.10GHz,
 memori DDR3 2.00 GB,
 harddisk 300GB,
 sistem operasi Windows 7 Ultimate,
 MATLAB 7.7.0 (R2008b),
 Kamera Canon 8 MP,
 Spektrofotometer USB 4000, dan
 Lampu tungsten

14

HASIL DAN PEMBAHASAN
Ekstraksi Citra
Nilai reflectance dan RGB yang sudah didapat dari 97 standar warna dan
46 tanaman obat dihitung dengan menggunakan polynomial yang sudah
ditentukan. Hasil dari model polynomial tersebut kemudian dihitung dengan nilai
RGB daun sambiloto yang akan menampilkan nilai spektrum daun rekonstruksi
( ̃ ). Hasil estimasi nilai reflectance untuk daun sambiloto 1 usia 3 bulan dengan
menggunakan 97 standar warna sebagai matriks transformasi dapat dilihat pada
Gambar 13, sedangkan estimasi nilai reflectance untuk daun sambiloto 1 usia 3
bulan dengan menggunakan 97 standar warna dan 46 tanaman obat sebagai
matriks transformasi dapat dilihat pada Gambar 14.
Reflectance (%)

300 y

original
term 3
term 7
term 10

200
100

x

0
-100

400

450

500

550

600

650

700pa

panjang gelombang (nm)

Gambar 13 Estimasi nilai reflectance sambiloto usia 3 bulan dengan
menggunakan 97 standar warna

Reflectance (%)

y

100
80
60
40
20
0
-20 400

x
500
600
panjang gelombang (nm)

original
term 3
term 7
term 10

700

Gambar 14 Estimasi nilai reflectance sambiloto usia 3 bulan dengan
menggunakan 97 standar warna dan 46 tanaman obat
Berdasarkan hasil grafik dari Gambar 13, model polynomial dengan term 3
(orde 1) menghasilkan spektrum rekonstruksi yang paling baik dan mendekati
nilai original, sedangkan hasil grafik dari Gambar 14 spektrum rekonstruksi yang
paling baik dan mendekati nilai original adalah dengan menggunakan model
polynomial term 7 (orde 2). Adanya penambahan data latih pada pembentukan
matriks transformasi dapat mempengaruhi model polynomial yang dipakai untuk
mengestimasi nilai reflectance daun Sambiloto. Hasil nilai spektrum daun
rekonstruksi kemudian diukur nilai error-nya dengan nilai reflectance daun yang
asli menggunakan alat spektrofotometer. Nilai error (RMSE) yang didapatkan

15
dengan menggunakan model polynomial tersebut digunakan untuk menentukan
data latih sebagai matriks transformasi. Hasil error dengan menggunakan 97
standar warna dan 46 tanaman obat dapat dilihat pada Tabel 4.
Tabel 4 Nilai error menggunakan 97 standar warna dan 46 tanaman obat

Objek

97 standar warna
RMSE
Orde 1 Orde 2 Orde 3

97 standar warna + 46 tanaman
obat
RMSE
Orde 1
Orde 2
Orde 3

22.81

41.53

77.49

16.89

10.80

11.75

22.09

40.62

75.65

16.62

12.22

13.12

21.72

42.25

72.87

16.52

12.21

28.60

50.01

91.05

21.49

12.58

14.19

29.35

49.41

95.62

21.97

10.70

13.11

32.51

55.39

97.26

24.50

12.36

14.17

29.27

53.15

91.56

21.72

12.67

14.03

sambiloto 1

sambiloto 2
13.31

sambiloto 3

sambiloto 4

sambiloto 5

sambiloto 6

sambiloto 7

16

29.21

52.25

88.30

23.12

17.43

19.15

16.56

34.04

65.46

10.94

9.46

19.68

16.66

34.94

64.98

11.61

9.79

10.38

24.88

45.36

82.02

18.54

12.02

13.29

sambiloto 8

sambiloto 9

sambiloto 10
Rata-rata

Berdasarkan hasil Tabel 4, nilai error yang paling baik adalah dengan
menggunakan 97 standar warna dan 46 tanaman obat sebagai data latih untuk
matriks transformasi. Hal ini disebabkan nilai RGB pada citra standar warna tidak
homogen pada tiap pilkselnya sehingga nilai error pada citra standar warna lebih
besar. Penambahan data citra 46 tanaman obat dapat mengurangi nilai error.
Penggunaan 97 standar warna dan 46 tanaman obat sebagai data latih untuk
matriks transformasi akan menghasilkan model polynomial terbaik dengan
melihat nilai GFC yang paling bagus. Hasil GFC dapat dilihat pada Tabel 5.
Tabel 5 Hasil GFC dengan menggunakan 97 standar warna dan 46 tanaman obat

Objek

97 standar warna
GFC
Orde 1 Orde 2 Orde 3

97 standar warna dan 46 tanaman
obat
GFC
Orde 1
Orde 2
Orde 3

0.97

0.96

0.97

0.97

0.75

0.78

0.96

0.95

0.96

0.96

0.74

0.76

sambiloto 1

sambiloto 2

17

0.96

0.95

0.96

0.96

0.76

0.77

0.96

0.95

0.96

0.96

0.78

0.80

0.96

0.96

0.97

0.96

0.82

0.84

0.96

0.96

0.97

0.96

0.83

0.85

0.97

0.96

0.97

0.97

0.84

0.86

0.96

0.96

0.97

0.96

0.83

0.85

0.96

0.96

0.96

0.96

0.82

0.84

0.96

0.96

0.96

0.96

0.82

0.83

0.96

0.96

0.96

0.96

0.80

0.82

sambiloto 3

sambiloto 4

sambiloto 5

sambiloto 6

sambiloto 7

sambiloto 8

sambiloto 9

sambiloto 10
Rata-rata

Berdasarkan Tabel 5, hasil ekstraksi ciri yang dilakukan pada citra
menunjukkan bahwa nilai spektrum rekonstruksi daun ambiloto dengan 97 standar
warna sebagai data latih matriks transformasi menghasilkan nilai GFC yang sama
pada orde 1, orde 2, dan orde 3 yaitu sebesar 0.96. Tetapi, data latih matriks

18
transformasi yang hanya menggunakan 97 standar warna tidak dijadikan sebagai
matriks transformasi karena menghasilkan nilai error yang sangat besar.
Sedangkan spektrum rekonstruksi daun sambiloto yang paling baik dengan
menggunakan 97 standar warna dan 46 daun tanaman sebagai data latih matriks
transformasi adalah menggunakan polynomial orde 1 dengan nilai GFC sebesar
0.96. tetapi nilai error (Tabel 3) orde 1 menghasilkan nilai yang paling besar.
Nilai error pada masing-masing term ini memiliki selisih yang berbeda jauh
dibandingkan nilai GFCnya. sehingga nilai error ini memiliki pengaruh yang
besar terhadap pemilihan polinomial. Model polynomial terbaik dilihat
berdasarkan nilai RMSE dan GFCnya adalah orde 2. Nilai rekonstruksi spektrum
reflectance yang diperoleh menggunakan polynomial orde 2 dibandingkan
dengan nilai reflectance asli dari daun sambiloto memiliki kesamaan pola
spektrum dapat dilihat pada Gambar 15.
Model polynomial terbaik yang sudah didapatkan kemudian digunakan
untuk ekstraksi daun tanaman sambiloto yang berumur 1, 2, dan 3 bulan. Hasil
nilai reflectance daun sambiloto berumur 1, 2, dan 3 bulan dapat dilihat pada
Gambar 16. Gambar 16 diperoleh dari hasil rata-rata setiap usia (1, 2, dan 3 bulan)
daun sambiloto. Berdasarkan hasil ekstraksi ciri citra (Gambar 16) yaitu nilai
reflectance, daun sambiloto yang berumur 1 bulan lebih tinggi nilai reflectance
dibandingkan dengan umur 2 dan 3 bulan. Hal ini disebabkan penyerapan sinar
yang dilakukan oleh daun sambiloto berumur 1 bulan lebih sedikit dibandingkan
dengan daun sambiloto yang berumur 2 dan 3 bulan dilakukan oleh daun
sambiloto berumur 1 bulan lebih sedikit dibandingkan dengan daun sambiloto
yang berumur 2 dan 3 bulan.

Reflectance (%)

150

y

100
term 7
original

50
0

x
300

400

500
600
panjang gelombang (nm)

700

Gambar 15 Spektrum rekontruksi daun sambiloto menggunakan term 7

Reflectance (%)

y
140
120
100
80
60
40
20
0

1 bulan
2 bulan
3 bulan

x
300

400

500

600

700

panjang gelombang (nm)

Gambar 16 Nilai spektrum rekontruksi daun sambiloto 1, 2, dan 3 bulan
dengan term 7

19
Model Klasifikasi Citra
Percobaan dilakukan untuk mengklasifikasi 72 data uji menjadi 3 kelas
yaitu usia 1 bulan, usia 2 bulan, dan usia 3 bulan. PNN digunakan sebagai
classifier. Nilai bias ( ) yang digunakan untuk memperoleh pola atau model
klsifikasi dalam percobaan ini adalah 0.6. Berdasarkan model 5-fold cross
validation, akurasi hasil klasifikasi dari 72 data uji yang berbeda dapat dilihat
pada Tabel 6. Akurasi dari hasil percobaan fold 1 sebesar 73.61%, fold 2 sebesar
61.11%, fold 3 sebesar 63.88, fold 4 sebesar 66.67%, dan fold 5 sebesar 63.88%.
Total citra sebanyak 360 buah, dengan perbandingan data latih dan data uji
sebesar 80% dan 20%. Jumlah citra data latih dan data uji masing-masing
sebanyak 288 dan 72 buah citra.
Tabel 6 Akurasi hasil identifikasi penyakit sebanyak 5 fold
fold

Akurasi

1
2
3
4
5

73.61%
61.11%
63.88%
66.67%
63.88%

Akurasi terbesar diperoleh pada fold 1 yaitu sebesar 73.61%. Hasil
ekstraksi ciri dari data latih pada fold 1 selanjutnya digunakan untuk membangun
sistem ini. Hal ini dikarenakan mampu menjadi penciri yang baik untuk
membedakan sambiloto yang berusia 1 bulan, 2 bulan, dan 3 bulan. Hasil
klasifikasi perkiraan umur tanaman sambiloto dengan menggunakan fold 1 dapat
dilihat pada Tabel 7.
Tabel 7 Hasil identifikasi usia sambiloto pada fold 1

Kelas
sebenarnya

1 bulan
2 bulan
3 bulan

Kelas prediksi
1 bulan 2 bulan 3 bulan
23
1
0
2
13
9
0
7
17

Total
24
24
24

Data uji pada fold 1 terdiri atas 72 citra. Jumlah citra sambiloto yang
berusia 1 bulan, 2 bulan, dan 3 bulan masing-masing sebanyak 24 citra. Akurasi
dari hasil klasifikasi PNN untuk 24 citra sambiloto yang berusia 1 bulan sebesar
95.83%. Dengan kata lain, terdapat 1 dari 24 citra yang salah diklasifikasikan,
yaitu diklasifikasikan sebagai sambiloto yang berusia 2 bulan.

20
Evaluasi
Hasil klasifikasi umur tanaman sambiloto yang didapatkan sebelumnya
dapat dihitung nilai akurasinya. Nilai akurasi didapatkan dengan menghitung
banyaknya data yang terklasifikasi benar dibagi dengan banyaknya data uji. Nilai
akurasi berdasarkan hasil klasifikasi dapat dilihat pada Tabel 8. Hasil klasifikasi
usia tanaman sambiloto dengan bias 0.6 dapat dilihat pada Lampiran 3.
Tabel 8 Akurasi identifikasi usia sambiloto
Akurasi
1 bulan
95.83%
2 bulan
54.16%
3 bulan
70.83%
Rata-rata
73,61%
Berdasarkan Tabel 8, hasil identifikasi tanaman sambiloto usia 2 bulan
menghasilkan akurasi yang paling rendah dibandingkan dengan usia 1 dan 3 bulan.
Hal ini disebabkan oleh nilai reflectance pada usia 2 dan 3 bulan tidak berbeda
jauh (Gambar 16) sehingga beberapa data tanaman sambiloto yang berusia 2 bulan
teridentifikasi sebagai tanaman sambiloto yang berusia 3 bulan. Selain itu. cara
penanaman dan faktor geografis juga dapat mempengaruhi pertumbuhan tanaman
sambiloto. Data latih untuk matriks transformasi terdapat daun muda dan daun tua
pada 46 tanaman obat. Data tersebut digunakan untuk variasi nilai RGB dan
reflectance pada matriks transformasi. Panjang gelombang menjelaskan bahwa
terdapat sinar yang dipantulkan oleh objek pada suatu kisarannya. Pada Tabel 8,
dapat dilihat bahwa 23 data uji teridentifikasi sebagai tanaman sambiloto berusia 1
bulan, 13 data uji teridentifikasi sebagai tanaman sambiloto berusia 2 bulan, dan
17 data uji teridentifikasi sebagai tanaman sambiloto berusia 3 bulan. Nilai
reflectance untuk 1 citra daun sambiloto usia 1, 2, dan 3 bulan dapat dilihat pada
Gambar 17.
150

y

Reflectance (%)

citra 1 bulan

100

citra 2 bulan

50

citra 3 bulan

0

x
400

500

600

700

panjang gelombang (nm)

Citra 1 bulan

Citra 2 bulan

Citra 3 bulan

Gambar 17 Nilai reflectance daun sambiloto usia 1, 2, dan 3 bulan

21
Implementasi Sistem
Tahap implementasi sistem menghasilkan sebuah sistem berbasis desktop
yang dapat menghitung nilai reflectance berdasarkan warna citra digital untuk
menduga usia tanaman sambiloto. Proses perhitungan nilai reflectance dan
pendugaan usia tanaman sambiloto dapat dilakukan dengan mengunggah sebuah
citra berukuran 20 x 20 piksel. Antarmuka sistem perkiraan nilai reflectance dan
identifikasi usia daun sambiloto dapat dilihat pada Gambar 18. Gambar 19
menunjukkan tampilan hasil nilai reflectance dan usia daun sambiloto.

Gambar 18 Antarmuka sistem perkiraan nilai reflectance

Gambar 19 Tampilan hasil nilai reflectance dan usia daun sambiloto

22

SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, Wiener Estimation digunakan sebagai ekstraksi ciri
untuk memperkirakan nilai reflectance daun sambiloto. Wiener Estimation
menghasilkan sebuah matriks transformasi yang digunakan untuk memperkirakan
nilai reflectance daun sambiloto berdasarkan nilai RGB-nya dengan menggunakan
model polynomial. Hasil ekstraksi ciri menggunakan Wiener Estimation
menhasilkan orde 2 sebagai model polynomial terbaik dengan data citra 97 standar
warna dan 46 tanaman obat sebagai data latih untuk matriks transformasi.
Identifikasi usia tanaman sambiloto menggunakan ekstraksi ciri Wiener
Estimation dengan PNN menghasilkan akurasi tertinggi sebesar 73.61%.
Perkiraan nilai reflectance daun sambiloto pada usia 1, 2, dan 3 bulan yang
dihasilkan tidak berbeda jauh. Selain itu, faktor geografis dapat mempengaruhi
nilai reflectance dari daun sambiloto.

Saran
Penelitian selanjutnya diharapkan menggunakan data citra standar warna
dengan nilai RGB yang homogen. Perhitungan nilai reflectance dengan alat
sebaiknya mengunakan spektrofotometer yang memiliki nilai sensitif yang stabil
sehingga nilai error yang dihasilkan semakin kecil dan spektrum rekontruksi yang
dihasilkan sama dengan spektrum original.

DAFTAR PUSTAKA
Anguita D, Ghio A, Ridella S, Sterpi D. 2009. K-fold cross validation for error
rate estimate in support vector machines. In Proc. DMIN [internet]. 2009 July
13-16; Las Vegas Amerika Serikat. Las Vegas (US). hlm 291-297.
Anuradha VE, Jaleel CA, Salem MA, Gomathinayagam M, Panneerselvam R.
2010. Plant growth regulators induced changes in antioxidant potential and
andrographolide content in Andrographis paniculata Wall.ex Nees. Pesticide
Biochemistry and Physiology. 98:312-316.
[BPPP] Badan Penelitian dan Pengembangan Pertanian. 2012. Ayo Mengenal
Tanaman Obat. Bogor (ID): IAARD Press.
[CRIPS] Centre for Remote Imaging. Sensing and Processing. 2001. Optical
Remote Sensing [Internet]. [diunduh 2013 Agustus 28] Tersedia pada:
http://www.crisp.nus.edu.sg/~research/tutorial/optical.htm.
Dalimartha S. 2002. 36 Resep Tumbuhan Obat untuk Menurunkan Kolestrol.
Depok (ID): Penebar Swadaya.

23
Fathniyah VEF. 2011. Pengembangan fotometer jinjing untuk kendali mutu
rimpang temulawak (curcuma xanthorriza) [skripsi]. Bogor (ID): Fakultas
Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Gonzalez RC, Woods R E. 2002. Digital Image Processing. New Jersey (US):
Prentice Hall.
Gowen AA, CP O’Donnell. PJ Cullen, SEJ Bell. 2008. Recent applications of
chemical Imaging to pharmaceutical process monitoring and quality control.
European J of Pharmaceutics and Biopharmaceutics. 69:10-22.
Jetsu T, Heikkinem V, Parkkinen J, Kasari MH, Martinkauppi B, Lee SD, OK
HW, Kim CY. 2006. Color calibration of digital camera using polynomial
transformation. Di dalam: Proceedings of CGIV2006 – 3rd European
Conference on Colour in Graphicsm Imaging. and Vision; 2006 Jun 19-22;
Leeds. Inggris. Leeds (UK): The Society for Imaging Science and
Technology. hlm 163-166.
Shatilova Y. 2008. Color image technique in fish research [tesis]. Joensuu (FI):
Departement of Computer Science. University of Joensuu.
Singh SK, Jha SK. Chaudhary, Yadava RDS, Rai SB. 2010. Quality control of
herbal medicines by using spectroscopic techniques and multivariate
statistical analysis. Pharmaceut Biol. 48:134-141.
Skoog DA, Donald MW, F James Holler. Stanley RC. 2004. Fundamentals of
Analytical Chemistry. Ed ke-8. Canada (CA): Brooks Cole.
Srinivasulu P, Nagaraju D, Kumar PR, Rao KN. 2009. Classifying the network
intrusion attacks using data mining classification methods and their
performance comparison. IJCSNS [Internet]. [diunduh 2012 Sept 2]; 9(6):1118. Tersedia pada: http://paper.ijcsns.org/07_book/200906/20090602.pdf.
Stigell P, Miyata K. Kasari MH. 2007. Wiener estimation method in estimating
of spectral reflectance from RGB image. Pattern Recognition and Image
Analysis. 17(2): 233-242. doi: 10.1134?s1054661807020101.
Westerhuis JA, Hoefsloot HCJ, Smit S, Vis DJ, Smilde AK, Velzen EJJ, van
Duijnhoven JPM, van Dorsten FA. 2008. Assessment of PLSDA cross
validation. Metabolomics. 4:81–89. doi: 10.1007/s11306-007-0099-6.
Wu SG, Bao FS, Xu EY, Wang Y, Chang Y. Xiang Q. 2007. A leaf recognition
algorithm for plant classification using probabilistic neural networks. Di
dalam: Signal Processing and Information Technology. 2007 IEEE
International Symposium on; 2007 Des 15-18; Kairo. Mesir. Kairo (EG):
IEEE. hlm 11-16

24
Lampiran 1 Data latih 46 daun tanaman obat untuk pembentukan model matriks
transformasi
No

Nama Daun

1

Dudang Kayu

2

Remak Daging

3

Sambang Dara

4

Sirih

5

Jinten

6

Daun Iler

7

Jeruk Lemon

Daun Muda

Daun Tua

25
Lanjutan
No

Nama Daun

8

Daun Duduk

9

Handeleum/
Ungu

10

Jawer Kotok

11

Bidani

12

Tabat Barito

13

Alamanda

14

Jati Belanda

15

Landep

Daun

Daun Muda

Daun Tua

26
Lanjutan
No

Nama Daun

16

Sambiloto

17

Landik

18

Salam

19

Nona Makan Sirih

20

Keji Beling Ungu

21

Ganda Rusa

22

Bangun

23

Nona
Kuning

Gendis

Daun Muda

Daun Tua

27
Lampiran 2 Data latih 97 standar warna untuk pembentukan model matriks
transformasi

w7

w8

w9

w10

w11

w12

w13

w14

w15

w16

w17

w18

w19

w20

w21

w22

w23

w24

w25

w26

w27

w28

w29

w30

w31

w32

w33

w34

w35

w36

w37

w38

w39

w40

w41

w42

w43

w44

w45

w46

w47

w48

w49

w50

w51

w52

w53

w54

w55

w56

w57

w58

w59

w60

w61

w62

w63

w64

w65

w66

28
Lanjutan

w67

w68

w69

w70

w71

w72

w73

w74

w75

w76

w77

w78

w79

w80

w81

w82

w83

w84

w85

w86

w87

w88

w89

w90

w91

w92

w93

w94

w95

w96

w97

29
Lampiran 3 Hasil klasifikasi dengan bias 0.6

Daun 1
Daun 2
Daun 3
Daun 4
Daun 5
Daun 6
Daun 7
Daun 8
Daun 9
Daun 10
Daun 11
Daun 12
Daun 13
Daun 14
Daun 15
Daun 16
Daun 17
Daun 18
Daun 19
Daun 20
Daun 21
Daun 22
Daun 23
Daun 24
Daun 25
Daun 26
Daun 27
Daun 28
Daun 29
Daun 30
Daun 31
Daun 32
Daun 33
Daun 34
Daun 35
Daun 36
Daun 37
Daun 38
Daun 39
Daun 40
Daun 41
Daun 42

1 bulan
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

2 bulan

3 bulan

2
1
1
1
1
1
1
1
3
2
2
3
3
1
3
2
3
3
3
2
2
2
2
2
3
2

30
Lanjutan
Daun 43
Daun 44
Daun 45
Daun 46
Daun 47
Daun 48
Daun 49
Daun 50
Daun 51
Daun 52
Daun 53
Daun 54
Daun 55
Daun 56
Daun 57
Daun 58
Daun 59
Daun 60
Daun 61
Daun 62
Daun 63
Daun 64
Daun 65
Daun 66
Daun 67
Daun 68
Daun 69
Daun 70
Daun 71
Daun 72

2
2
3
2
2
1
3
3
2
3
2
3
3
3
3
3
3
3
3
3
2
2
3
3
2
3
2
2
3
3

31

RIWAYAT HIDUP
Penulis dilahirkan di Kebumen pada tanggal 30 April 1991 dari ayah
Djonnelry R dan ibu Asni Warni. Penulis adalah putri kelima dari lima
bersaudara. Pada tahun 2009. penulis lulus dari SMA Negeri 1 Depok dan pada
tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)
melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen Ilmu
Komputer. Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan. penulis pernah aktif sebagai staf Divisi
Internal Himpunan Mahasiswa Ilmu Komputer (Himalkom) dan menjadi panitia
IT Today 2010-2011 serta Pesta Sains 2011. Bulan Juni – Agustus 2012 penulis
melaksanakan Praktik Lapangan di Kantor Komunikasi dan Informatika Balai
Kota Bogor.

32