Pendugaan Nilai Reflectance Menggunakan Transformasi Wavelet Untuk Menentukan Usia Dan Kandungan Pigmen Daun Jati Belanda

PENDUGAAN NILAI REFLECTANCE MENGGUNAKAN
TRANSFORMASI WAVELET UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN DAUN JATI BELANDA

I GEDE ARTA WIBAWA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Pendugaan Nilai
Reflectance menggunakan Transformasi Wavelet untuk Menentukan Usia dan
Kandungan Pigmen Daun Jati Belanda 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 tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor,

2015

I Gede Arta Wibawa
NIM G651114021

RINGKASAN
I GEDE ARTA WIBAWA. Pendugaan Nilai Reflectance menggunakan
Transformasi Wavelet untuk Menentukan Usia dan Kandungan Pigmen Daun Jati
Belanda. Dibimbing oleh YENI HERDIYENI dan BIB PARUHUM SILALAHI.
Jati Belanda adalah salah satu tumbuhan yang biasa digunakan untuk
pengobatan tradisional dan herbal. Daun Jati Belanda mengandung senyawa aktif
yang berkhasiat sebagai antioksidan. Warna daun dapat digunakan sebagai faktor
penentu kandungan senyawa aktif yang terdapat di dalamnya. Secara umum
kualitas senyawa aktif dapat diukur menggunakan metode uji kimia. Uji kimia
mempunyai beberapa kekurangan. Uji kimia merusak objek penelitian,
memerlukan waktu dan sumber daya yang relatif banyak. Pengolahan citra digital

mampu mengatasi kekurangan uji kimia. Penggunaan metode pengolahan citra
digital tidak hanya mampu menyediakan informasi pigmen dan senyawa aktif,
tetapi juga mampu menyediakan informasi usia dari daun tanaman Jati Belanda.
Tujuan penelitian ini adalah menduga/mengestimasi nilai reflectance
menggunakan transformasi wavelet, menduga kandungan pigmen penting dan
menentukan usia daun tanaman Jati Belanda.
Penelitian ini menggunakan 3 buah proses besar yaitu: estimasi spektrum
reflectance, penentuan usia daun dan kandungan pigmen penting pada daun Jati
Belanda. Proses estimasi spektrum reflectance membentuk model reflectance
daun tanaman obat yang terbaik berdasarkan kriteria kesalahan terkecil dan
kemiripan terbesar. Model reflectance daun tanaman obat digunakan untuk
menentukan spektrum reflectance dari citra daun Jati Belanda. Model reflectance
terbaik dibentuk oleh beberapa komponen. Transformasi wavelet menyediakan
informasi penting yang terdapat pada komponen spektrum reflectance. Wavelet
yang digunakan adalah Haar, Daubechies dan symlet. Model polinomial
digunakan untuk mengolah komponen data citra digital sehingga membentuk
model estimasi reflectance terbaik. Spektrum estimasi dari citra daun Jati Belanda
digunakan untuk membentuk kadar cahaya serapan (absorbance) dan menentukan
usia dari daun Jati Belanda. Usia daun Jati Belanda diperoleh mengunakan metode
klasifikasi Probabilistic Neural Network (PNN). 5-fold cross validation membagi

data menjadi data latih dan data uji untuk membentuk model klasifikasi yang baik.
Dataset 276 daun tanaman obat, penerapan transformasi wavelet Haar level
3 dan penerapan model polinomial orde 1 mampu membentuk model estimasi
reflectance terbaik. Kesalahan estimasi model estimasi reflectance sebesar 3.89
dengan kemiripan 0.99 yang tergolong baik. Penentuan usia menggunakan PNN
menghasilkan nilai akurasi sebesar 73.50 %

Kata Kunci: Jati Belanda, polinomial, reflectance, wavelet

SUMMARY
I GEDE ARTA WIBAWA. Spectral Reflectance Estimation using Wavelet
Tranformation to Predict Age and Pigment Content of Jati Belanda Leaf Image.
Supervised by YENI HERDIYENI and BIB PARUHUM SILALAHI
Jati Belanda is one of plant that commonly used as a traditional and herbal
raw material. Jati Belanda contains an active compound that is efficacious as an
antioxidant. The active compounds could be determined from the leaf colour. The
active compounds quality could be tested using the chemical test. Chemical test
has shortcomings. Chemical test leds physical, requires more time and resources.
Digital image processing is able to overcome the lack of the chemical test. Digital
image processing methods are not only able to provide pigments information and

active compounds, but also are able to provides information about the age of the
Jati Belanda leaf. The purpose of this study are to estimate the reflectance using
wavelet transform, provide information of pigment content and to determine the
age of Jati Belanda leaf.
This study used 3 major processes, namely: the reflectance spectrum
estimation, the leaf age determination and the pigment estimation of Jati Belanda
leaf. The reflectance spectrum estimation process formed the best reflectance
estimation model of the Jati Belanda leaf images based on the minimum error and
the maximum signal fitness. Reflectance of herbal raw material was used to
estimate the best reflectance model of Jati Belanda leaf image. The best
reflectance model was made up of several components. The wavelet transform
provided important information of reflectance spectrum components. Haar,
Daubechies and symlet wavelet were used. The polynomial model generated
feature of image data components and also generated the best reflectance
estimation model. The estimated Jati Belanda leaf images spectrum was converted
to the absorbance spectrum and generated the leaf pigment content. Probabilistic
Neural Network (PNN) model classified the age of Jati Belanda leaf using the
reflectance estimation value. 5 fold cross validation validated the testing data and
training data to generate the best classification model.
The best reflectance model of Jati Belanda were generated by using the

dataset 276, the third level of haar wavelet transform and the first order of
polynomial model. Estimation error value was 3.89 and fitness value was 0.99
that indicated good signal estimation. PNN model accuracy was 73.50 %.

Kata Kunci: Jati Belanda, polynomial, reflectance, wavelet

© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

PENDUGAAN NILAI REFLECTANCE MENGGUNAKAN
TRANSFORMASI WAVELET UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN DAUN JATI BELANDA

I GEDE ARTA WIBAWA

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji Luar Komisi pada Ujian Tesis : Dr Wisnu Ananta Kusuma, ST, MT

Judul Tesis : Pendugaan Nilai Reflectance menggunakan Transformasi Wavelet
untuk Menentukan Usia dan Kandungan Pigmen Daun Jati
Belanda
Nama
: I Gede Arta Wibawa

NIM
: G651114021

Disetujui oleh
Komisi Pembimbing

Dr Yeni Herdiyeni, SSi, MKom
Ketua

Dr Ir Bib Paruhum Silalahi, MKom
Anggota

Diketahui oleh

Ketua Program Studi
Ilmu Komputer

Dekan Sekolah Pascasarjana

Dr Wisnu Ananta Kusuma, ST, MT

Dr Ir Dahrul Syah MSc, Agr

Tanggal Ujian: 23 Juli 2015

Tanggal Lulus:

PRAKATA
Puji dan Syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa
sehingga karya ilmiah yang berjudul Pendugaan Nilai Reflectance menggunakan
Transformasi Wavelet untuk Menentukan Usia dan Kandungan Pigmen Daun Jati
Belanda selesai dilaksanakan. Terima kasih yang sebesar-besarnya penulis
ucapkan kepada Ibu Dr Yeni Herdiyeni, SSi, M.Kom dan Bapak Dr Ir Bib
Paruhum Silalahi, MKom selaku pembimbing, dan Unit Konservasi dan Budidaya
Pusat Studi Biofarmaka LPPM IPB yang telah membantu dalam pengumpulan
bahan.
Ungkapan terima kasih juga disampaikan kepada keluarga besar penulis atas
doa dan dukungannya, teman-teman yang selalu memberikan semangat dan pihak
lain yang tidak bisa saya sebutkan satu persatu.
Sebagai penutup penulis mengharapkan semoga karya ilmiah ini dapat

bermanfaat bagi masyarakat.

Bogor,

Juli 2015

I Gede Arta Wibawa

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
1 PENDAHULUAN
Latar Belakang
Tujuan Penelitan
Manfaat Penelitian
Ruang Lingkup Penelitian

vii
vii
1

1
2
2
2

2 TINJAUAN PUSTAKA
Jati Belanda (Guazuma Ulmifolia)
Citra Digital
Reflectance dan Absorbance
Penyerapan Energi oleh Pigmen Daun
Transformasi Wavelet
Probabilistic Neural Network (PNN)
Analysis of Variance (ANOVA)
K-fold Cross Validation
Confusion Matrix

2
2
3
4

4
4
8
9
9
10

3 METODE PENELITIAN
Pengambilan Data
Praproses
Estimasi Spektrum Reflectance
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Penentuan dataset terbaik sebagai model estimasi

11
11
13
14
15
16
16

Pendugaan Kandungan Pigmen dan Usia Daun
Pendugaan absorbance pada pigmen utama daun
Pendugaan usia daun tanaman

17
17
17

4 HASIL DAN PEMBAHASAN
Estimasi Spektrum Reflectance
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Penentuan dataset terbaik sebagai model estimasi
Analisa wavelet terbaik

19
19
19
20
21
22

Pendugaan Kandungan Pigmen dan Usia Daun
Pendugaan Absorbance pada Kandungan Pigmen Utama Daun
Pendugaan Usia Daun

23
23
27

5 SIMPULAN DAN SARAN
Simpulan
Saran

30
30
30

DAFTAR PUSTAKA

31

Lampiran 1
Lampiran 2
Lampiran 3
Lampiran 4
RIWAYAT HIDUP

33
36
43
44
47

DAFTAR TABEL
1 Confussion matrix untuk masalah klasifikasi biner
2 Model Polinomial
3 Pembagian data latih dan data uji dengan 5-fold cross validation
4 Nilai error dan GFC menggunakan dataset 46
5 Nilai error dan GFC menggunakan dataset 276
6 Nilai error dan GFC rata-rata fungsi wavelet untuk semua level pada
dataset 276
7 Analisis Keragaman ANOVA terhadap daya absorbance pigmen utama
daun Jati Belanda
8 Hasil uji lanjutan menggunakan Uji LSD
9 Akurasi identifikasi usia daun Jati Belanda
10 Confussion Matrix pendugaan usia daun dengan fold 1
11 Akurasi identifikasi usia daun Jati Belanda
12 Contoh Citra Hasil Klasifikasi PNN menggunakan fold 1

10
15
18
19
20
23
26
26
27
27
28
29

DAFTAR GAMBAR
1 Jati Belanda (Guazuma Ulmifolia)
2 Warna dan panjang gelombang cahaya tampak
3 Penyerapan cahaya oleh pigmen daun
4 Penggunaan filter bank pada subband coding
5 Fungsi Penyekala dan Wavelet Haar
6 Koefisien wavelet dan fungsi penyekala daubechies N=10
7 Koefisien wavelet dan fungsi penyekala Symlet N=10
8 Struktur PNN
9 3-Fold Cross Validation
10 Tahapan penelitian
11 Proses akuisisi reflectance 46 daun tanaman obat menggunakan
spektrofotometer.
12 Proses pengambilan data citra digital.
13 Tahap praproses.
14 Proses pengambilan spektrum reflectance dan RGB pada data 46 daun
tanaman obat.
15 Ilustrasi pengambilan rataaan spektrum reflectance dan RGB pada
data 46 daun tanaman obat.
16 Bagan alir estimasi nilai reflectance menggunakan dataset 46
17 Bagan alir estimasi nilai reflectance menggunakan dataset 276
18 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
dataset 46
19 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
276 daun tanaman obat
20 Hasil pengujian estimasi reflectance daun Jati Belanda
21 Perbandingan spektrum reflectance rekonstruksi dengan
spektrum reflectance asli Daun Tanaman Obat

3
3
5
6
6
7
7
9
10
11
12
12
13
13
14
15
16
20
21
21
22

22 Spektrum reflectance rekonstruksi daun Jati Belanda usia 1, 2 dan 3
bulan.
23 Spektrum absorbance daun Jati Belanda usia 1, 2 dan 3 bulan.
24 Penyerapan senyawa aktif pada daun Jati Belanda
25 Perbandingan absorbance pigmen utama daun berdasarkan usia daun
1, 2 dan 3 bulan
26 Perbandingan reflectance daun 2 bulan yang terklasifikasi benar dan
yang terklasifikasi sebagai 1 bulan dan 3 bulan

23
24
25
25
28

DAFTAR LAMPIRAN
1 Data latih 46 Daun Tanaman Obat untuk pembentukan Model Basis
2 Hasil Estimasi Reflectance menggunakan Wavelet
3 Rekap Estimasi Reflectance Berdasarkan RMSE dan GFC
4 Hasil identifikasi daun Jati Belanda menggunakan fold 1

33
36
43
44

1 PENDAHULUAN
Latar Belakang
Jati Belanda adalah salah satu tanaman obat yang berkhasiat sebagai
antioksidan. Khasiat obat yang dihasilkan disebabkan oleh kandungan senyawa
aktif yang terkandung di dalamnya. Kandungan senyawa aktif pada tanaman obat
bervarisi. Faktor yang mempengaruhi kandungan senyawa aktif adalah spesies,
varietas, kondisi geografis, budidaya, metode pemanenan, proses pasca panen
(Singh et al. 2010) dan umur/usia (Anuradha et al. 2010). Semakin tua usia
tanaman obat, kandungan senyawa aktif yang terkandung semakin besar. Usia
dapat digunakan sebagai salah satu faktor penanda mutu tanaman obat (Anuradha
et al 2010). Usia tanaman dapat direpresentasikan oleh manusia melalui tingkat
kecerahan atau warna daun. Warna daun dapat digunakan sebagai penanda
kualitas senyawa aktif yang terdapat pada daun (Choudhary dan Sekhon 2011).
Daun muda lebih cerah jika dibandingkan dengan daun yang lebih tua. Daun
muda memiliki lebih sedikit senyawa aktif dari pada daun tua. Cahaya yang
diserap oleh daun muda lebih sedikit dari pada cahaya yang dipantulkan. Cahaya
yang dipantulkan oleh suatu objek disebut dengan istilah reflectance (Herdiyeni et
al. 2014).
Pada proses produksi masal obat herbal, kualitas dari bahan baku menjadi
hal yang sangat penting untuk menghasilkan produk obat herbal yang baik. Umur
daun yang berbeda pada proses pemanenan dapat menyebabkan kualitas senyawa
aktif tidak bisa dikontrol dengan baik. Metode kendali mutu diperlukan untuk
memastikan kualitas bahan baku herbal sehingga mampu berkhasiat bagi
penggunanya. Pengujian mutu dan kandungan senyawa pada tanaman obat pada
umumnya dapat dilakukan dengan metode uji kimia kromatografi (Mishra et al.
2010) (Choudhary dan Sekhon 2011). Uji kimia dilakukan untuk menguji
kandungan senyawa aktif yang terkandung pada daun. Penerapan uji kimia
kromatografi mempunyai efek samping yaitu: dapat merusak objek penelitian,
waktu yang relatif lama dan biaya yang relatif mahal. Model estimasi reflectance
dapat digunakan sebagai alternatif uji kimia dalam menentukan kandungan
senyawa aktif yang terkandung pada daun. Estimasi reflectance menerapkan
teknologi pengolahan citra digital. Citra digital dikonversi ke dalam spektrum
reflectance menggunakan model estimasi reflectance (Mansouri et al. 2008).
Penggunaan teknologi pengolahan citra digital untuk melakukan estimasi
reflectance juga mampu digunakan untuk menentukan usia dari daun yang
digunakan sebagai objek penelitian. Spektrum reflectance estimasi
diklasifikasikan menggunakan metode klasifikasi untuk menentukan usia dari
daun. Estimasi reflectance telah dilakukan untuk menentukan usia daun dari citra
digital Sambiloto (Herdiyeni et al. 2014). Metode yang digunakan adalah wiener
estimation dengan akurasi mencapai 73,61 %. Model estimasi reflectance juga
diterapkan pada macbeth color checker (Mansouri et al. 2008). Metode yang
digunakan adalah Principle Componen Analysis (PCA), tranformasi Fourier dan
transformasi wavelet Haar. Tranformasi wavelet memiliki performa yang lebih
baik dari PCA dan Tranformasi Fourier (Mansouri et al. 2008).

2
Penelitian ini menggunakan transformasi wavelet dan menerapkan model
polinomial untuk membentuk model reflectance, menduga kandungan pigmen
penting pada daun Jati Belanda, dan menentukan usia daun Jati Belanda. Model
polinomial digunakan untuk memperoleh jumlah penciri citra digital yang sesuai
sehingga menghasilkan model estimasi reflectance yang baik. Evaluasi model
estimasi reflectance menggunakan Root Mean Square Error (RMSE) dan
Goodness of Fit Coefficient (GFC). Model reflectance terbaik digunakan untuk
mengestimasi reflectance dari citra daun Jati Belanda. Reflectance estimasi citra
daun Jati Belanda dikonversi ke dalam spektrum absorbance menggunakan
formula transformasi reflectance ke absorbance (Nuayi et al. 2014) (Smith et al.
2003). Nilai absorbance digunakan untuk menentukan kandungan pigmen penting
dan senyawa aktif yang terdapat pada daun Jati Belanda. Reflectance estimasi
digunakan juga untuk menentukan usia daun Jati Belanda menggunakan model
Probabilistic Neural Network (PNN). Daun Jati Belanda diklasifikasikan ke
dalam 3 kategori usia 1, 2 dan 3 bulan menggunakan model PNN.
Tujuan Penelitan
Tujuan penelitian ini adalah menduga/mengestimasi nilai reflectance
menggunakan transformasi wavelet, menduga kandungan pigmen penting dan
menentukan usia daun tanaman Jati Belanda.
Manfaat Penelitian
Menyedikan informasi kepada masyarakat tentang nilai reflectance,
kandungan pigmen penting dan usia daun melalui media citra digital Jati Belanda
sehingga daun Jati Belanda mampu berkhasiat sesuai harapan.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini antara lain:
1. Pembangunan model estimasi reflectance menggunakan 46 jenis daun
tanaman obat yang terdiri atas 23 daun tanaman obat muda dan 23 daun
tanaman obat tua. Daun tanaman obat didapat dari Unit Konservasi dan
Budidaya Pusat Studi Biofarmaka LPPM IPB.
2. Data citra daun Jati Belanda yang digunakan untuk pengujian adalah data citra
daun dengan usia 1, 2 dan 3 bulan yang didapat dari Unit Konservasi dan
Budidaya Pusat Studi Biofarmaka LPPM IPB.

2 TINJAUAN PUSTAKA
Jati Belanda (Guazuma Ulmifolia)
Jati Belanda (Guazuma Ulmifolia) adalah salah satu tumbuhan berkhasiat
obat. Jati Belanda mengandung senyawa aktif yang berfungsi sebagai antioksidan.
Senyawa aktif yang terkandung pada daun Jati Belanda adalah flavonoid dan
tannin. Antioksidan merupakan senyawa yang berfungsi untuk mencegah
kerusakan sel yang berpengaruh pada kondisi fisik manusia. Kerusakan sel

3
memicu gangguan pada sistem metabolisme manusia dan mampu menimbulkan
berbagai penyakit (Setiawan 2008). Pengujian kandungan senyawa aktif pada Jati
Belanda dapat dilakukan dengan menggunakan berbagai metode seperti: uji
tabung, mikrokimiawi-mikrokristal, KLT (kromatografi lapis tipis), HTS (High
Troughput Screening) (Mulyani dan Toga 2011), dan uji kromatografi kilas
(Setiawan 2008). Penerapan uji kimia merusak fisik dari bahan uji, membutuhkan
waktu yang lama dan biaya yang relatif mahal. Metode uji kimia hanya mampu
menyediakan informasi mengenai kandungan senyawa aktif pada daun Jati
Belanda. Penelitian ini mengembangkan metode alternatif dari penerapan uji
kimia. Metode yang diterapkan adalah menggunakan metode pengolahan citra
digital dengan cara melakukan estimasi reflectance dari citra digital daun Jati
Belanda (Herdiyeni et al. 2014). Spektrum reflectance mampu digunakan untuk
mengestimasi kandungan pigmen penting atau senyawa aktif yang terkandung
pada daun tumbuhan (Ustin et al. 2009).

Gambar 1 Jati Belanda (Guazuma Ulmifolia)
Citra Digital
Kamera digital merepresentasikan objek yang ditangkapnya menjadi sebuah
matriks piksel atau citra digital. Citra digital yang dibentuk menggunakan model
warna RGB disebut dengan citra RGB (Tabakov 2013). Setiap piksel dari citra
RGB dibentuk dari komponen warna Red (merah), Green (hijau) dan Blue(biru).
Citra RGB mengandung p x l x 3 data. Komponen p adalah panjang citra, l adalah
lebar citra dan 3 buah komponen warna merah, hijau dan biru.
Model warna RGB adalah model standar yang digunakan pada piranti
elektronika seperti komputer, televisi dan lain-lain. Model warna RGB digunakan
untuk merepresentasikan sistem penglihatan manusia. Warna adalah merupakan
radiasi elektromagnetik yang mampu ditangkap sistem visual manusia (Khurge
dan Peswani 2014). Warna yang dapat dilihat sistem visual manusia berkisar
antara panjang gelombang 400 - 700 nm. Warna hijau dengan panjang gelombang
510 nm, merah 660 nm dan biru 475 nm (Abdullateef dan Osman 2011). Setiap
warna dan panjang gelombang tampak pada sistem visual manusia dapat dilihat
pada Gambar 2.

Gambar 2 Warna dan panjang gelombang cahaya tampak

4
Reflectance dan Absorbance
Objek yang mampu direpresentasikan oleh sistem visual manusia dan
kamera berasal dari cahaya pantulan yang mengenai permukaan objek. Cahaya
adalah merupakan salah satu bentuk energi yang mempunyai panjang gelombang
tertentu. Pada saat cahaya mengenai permukaan objek, ada cahaya yang diserap
oleh permukaan objek dan ada yang dipantulkan. Energi cahaya yang dipantulkan
disebut dengan reflectance. Energi cahaya yang diserap oleh permukaan objek
disebut dengan absorbance. Energi yang diteruskan oleh objek disebut dengan
transmittance. Penjumlahan absorbance, reflectance dan transmittance berjumlah
1 (Nuayi et al. 2014). Nilai reflectance dapat dikonversi menjadi absorbance
(Smith et al. 2003). Konversi nilai reflectance dilakukan dengan menggunakan
Persamaan 1.
⁄
(1)
Penyerapan Energi oleh Pigmen Daun

Sistem visual merepresentasikan warna daun tumbuhan karena adanya
pantulan cahaya pada daun. Warna daun yang tampak oleh sistem visual manusia
disebabkan oleh pantulan cahaya yang mengenai pigmen yang terdapat pada daun.
Pada daun terdapat banyak pigmen, tetapi yang paling berpengaruh pada warna
daun adalah chlorophyll, carotenoid dan anthocynanin (Sevik et al. 2013).
Chlorophyll dan carotenoid tidak hanya berpengaruh pada pewarnaan daun, tetapi
juga merupakan pigmen penting pada proses fotosintesa (pigmen fotosintesa).
Proses fotosintesa menentukan jumlah dan dan kandungan senyawa aktif yang
terkandung pada tumbuhan. Semakin banyak pigmen yang terdapat pada daun
maka produksi senyawa aktif akan semakin banyak.
Pigmen fotosintesa terdiri dari Chlorophyll a, Chlorophyll b dan beberapa
pigmen carotenoid. Pengaruh penyerapan cahaya oleh pigmen pada daun
memberikan efek spektrum cahaya pantulan yang unik. Proses fotosintesa
menangkap cahaya yang energinya disimpan sebagai karbohidrat. Serangkaian
transfer elektron terjadi pada membran tilakoid pada kloroplas. Di dalam
kloroplas, pigmen protein kompleks berperan menjadi fotosistem. Fotosistem
mengumpulkan energi cahaya dan mentransfer energi untuk pusat-pusat reaksi
(Ustin et al. 2009).
Alat standar untuk mengukur penyerapan cahaya adalah spektrofotometer.
Penyerapan cahaya maksimum oleh Chlorophyll a berada pada kisaran panjang
gelombang 430 nm dan 662 nm. Chlorophyll b berada panjang gelombang 453
nm dan 642 nm. β-carotene berada pada panjang gelombang 451 nm dan 470 nm
(Ustin et al. 2009). Pola penyerapan cahaya dari 3 pigmen ini dapat dilihat pada
Gambar 3.
Transformasi Wavelet
Transformasi wavelet adalah teknik yang digunakan untuk menganalisa
signal melalui pergeseran dan perenggangan mother wavelet. Transformasi
wavelet baik digunakan untuk menganalisis signal non periodik. Wavelet adalah
sebuah gelombang pendek yang energinya terpusat pada interval waktu yang
singkat. Transformasi wavelet dipakai pada berbagai bidang ilmu seperti pada

5
pemrosesan signal dan pengolahan citra digital, serta sangat berguna untuk
pemrosesan signal non-periodik (Lee dan Yamamoto 1994).

Gambar 3 Penyerapan cahaya oleh pigmen daun
Transformasi wavelet adalah pengembangan dari transformasi Fourier yang
bekerja pada gelombang periodik (Sanjeevi et al. 2001). Transformasi wavelet
mampu menyediakan informasi waktu dan frekuensi secara simultan.
Transformasi wavelet continue dapat ditulis dengan Persamaan 2.
 (s, )   f (t ) s , (t )dt
(2)
Persamaan 2 mengandung pengertian bahwa transformasi wavelet continue
dilakukan dengan mendekomposisi fungsi/sinyal uji f(t) ke dalam basis fungsi
wavelet ψs,τ(t) melalui perenggangan s dan pergeseran τ. Wavelet-wavelet lain
terbentuk dari pergeseran/translasi dan peregangan/skala wavelet ψ. Fungsi
wavelet dasar disebut dengan mother wavelet (Valens 1999). Mother wavelet
dituliskan pada Persamaan 3.
1  t  
(3)
 s , (t ) 


s  s 
Pada Persamaan 3, s adalah normalisasi energi pada skala yang berbeda.
Wavelet dikret adalah bentuk diskret dari wavelet continue. Transformasi wavelet
diskret dilakukan dengan melakukan peregangan dan translasi secara diskret.
Wavelet diskret dituliskan dengan Persamaan 4.
j



t

k
0 s0 

 j ,k (t ) 

j
j


s0  s0 

1

(4)

Koefisien j dan k bertipe integer, s0>1 adalah langkah dilasi/peregangan dan
τ0 adalah langkah perpindahan/translasi yang nilainya dipengaruhi oleh langkah
dilasi. Efek dari diskretisasi wavelet menghasilkan representasi waktu-skala yang
disampel pada interval diskret. Nilai s0 biasanya dipilih dengan nilai 2 sehingga
sampel pada bagian frekuensi berhubungan dengan diagram sampel dyadic. Nilai
τ0 juga biasanya diset dengan nilai 1. Hasil transformasi menggunakan wavelet
diskret menghasilkan deret koefisisien wavelet atau deret dekomposisi wavelet
(Valens 1999).
Fungsi penyekala adalah fungsi yang melewatkan spektrum frekuensi
rendah. Fungsi penyekala mempertahankan informasi pada saat proses

6
rekonstruksi sinyal. Jika sebuah wavelet dipandang sebagai filter band-pass dan
fungsi penyekala adalah filter low-pas. Deret wavelet dengan fungsi penyekala
dapat dilihat sebagai sebuah filter bank (Valens 1999).
Subband coding adalah teknik yang digunakan untuk melakukan proses
transformasi wavelet dengan cara memandang transformasi wavelet sebagai
sebuah filter bank. Sinyal dilewatkan ke dalam filter bank. Langkah penggunaan
transformasi wavelet dengan subband coding dapat dilihat pada Gambar 4.

Gambar 4 Penggunaan filter bank pada subband coding
Sinyal di-filter menggunakan filter low pass (LP) dan high-pass (HP).
Masing-masing tahapan menghasilkan koefisien transformasi. Filter LP
menghasilkan komponen sinyal frekuensi rendah yang dihasilkan oleh fungsi
penyekala. Filter HP menghasilkan komponen sinyal frekuensi tinggi yang
dihasilkan oleh fungsi wavelet (Valens 1999).
Wavelet Haar merupakan fungsi wavelet dasar yang dikemukakan oleh
Alfred Haar pada tahun 1909. Wavelet Haar menggunakan analisa multi resolusi
dan Discreete Wavelet Transform (DWT). Transformasi wavelet menggunakan
wavelet Haar disebut dengan Discrete Haar Wavelet Transform (DHWT).
Wavelet Haar dan fungsi penyekala Haar dapat dilihat pada Gambar 5.
1
Fungsi
Penyekala
0
1 4 7 1013 161922 252831 343740

Fungsi
Wavelet

-1

Gambar 5 Fungsi Penyekala dan Wavelet Haar
Wavelet Daubehies adalah fungsi wavelet yang dikembangkan oleh Ingrid
Daubechies. Wavelet Daubehies dibuat untuk memenuhi dukungan terhadap
wavelet orthogonal. Wavelet Daubehies dibentuk agar wavelet mempunyai
vanishing moment yang tertinggi A dengan panjang N=2A. Wavelet Daubehies
disebut juga dengan nama DN dan dbA, dimana N digunakan untuk istilah panjang
wavelet dan A berdasarkan jumlah vanishing moment-nya. Jadi db4 sama dengan
D8. Jumlah solusi aljabar dari moment dan kondisi orthogonal berjumlah 2A-1.
Daubechies orthogonal D2-D20 atau db1-db10 adalah wavelet yang sering
digunakan. Jumlah indeks adalah jumlah koefisien N. Setiap wavelet mempunyai
jumlah vanishing moment atau sama dengan setengah dari jumlah koefisien.

7
Wavelet D2 (wavelet Haar) memiliki 1 vanishing moment, D4 memiliki 2 dan
seterusnya. Vanishing moment membatasi jumlah polinomial yang dihasilkan atau
informasi pada signal. D2 dengan 1 moment mampu mengkodekan polinomial
dengan 1 koefisien. D4 mampu mengkodekan polinomial dengan 2 koefisien
konstan dan komponen linier dari sinyal. D6 mampu mengkodekan 3 polinomial
konstan, linier dan kuadratik.
Koefisien wavelet diperoleh dengan membalik urutan koefisien fungsi
penyekala dan membalik tanda setiap 2 buah koefisien. Filter wavelet dan fungsi
penyekala wavelet daubechies untuk N=10 dapat dilihat pada Gambar 6.
0.8
0.6

Nilai Koefisien

0.4
0.2

Fungsi Penyekala
Fungsi Wavelet

0
1 2 3 4 5 6 7 8 9 1011121314151617181920
-0.2
-0.4
-0.6

Gambar 6 Koefisien wavelet dan fungsi penyekala daubechies N=10
Wavelet symlet adalah pengembangan dari wavelet daubechies. Wavelet
symlet dikembangkan untuk membangun wavelet yang lebih simetris (Kaleka dan
Sharma 2012). Berbeda dengan wavelet daubechies, wavelet symlet dibentuk agar
mempunyai vanishing moment terendah. Bentuk koefisien filter dari wavelet
symlet untuk N=10 ditunjukkan pada Gambar 7.
1
0.8

Nilai Koefisien

0.6
0.4
0.2

Fungsi Penyekala

0
-0.2

1 2 3 4 5 6 7 8 9 1011121314151617181920

Fungsi wavelet

-0.4
-0.6
-0.8
-1

Gambar 7 Koefisien wavelet dan fungsi penyekala Symlet N=10

8
Pada pengolahan citra digital transformasi wavelet dapat merepresentasikan
sebuah citra digital ke dalam domain waktu dan frekuensi. Pengaruh faktor s
memberikan efek zooming (memperbesar atau memperkecil). Sedangkan faktor 
dapat untuk memberikan efek perubahan intensitas terhadap citra tanpa
menghilangkan informasi frekuensi di dalamnya. Penerapan transformasi wavelet
untuk menentukan pendugaan nilai reflectance dan usia daun tanaman dapat
digunakan dan sesuai dengan penelitian sebelumnya (Mansouri et al. 2008).
Probabilistic Neural Network (PNN)
Probabilistic Neural Network (PNN) merupakan JST (Jaringan Saraf
Tiruan) yang dibangun berdasarkan kaidah keputusan Bayes. Donald F. Specht
melakukan pengembangan pada tahun 1988. PNN menggunakan Radial Basis
Function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan
peubah nonlinear (Wu et al. 2007). PNN membutuhkan 1 kali iterasi untuk proses
pelatihan, sehingga waktu pelatihan bisa lebih singkat jika dibandingkan dengan
JST Backpropagation. PNN menggunakan struktur parallel. Penambahan dan
pengurangan dataset tidak berpengaruh pada proses pembelajaran (Srinivasulu et
al. 2009). PNN terdiri atas 4 lapisan, yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan dan lapisan keluaran (Gambar 8). Lapisan yang menyusun PNN
adalah sebagai berikut:
1. Lapisan input (input layer). Lapisan masukan menerima input x yang terdiri
atas k nilai yang akan diklasifikasikan pada salah satu kelas dari n kelas.
2. Lapisan pola (pattern layer). Pada lapisan pola dilakukan perkalian titik (dot
product) antara input x dan vektor bobot xAi , yaitu ZA= x. xAi. Selanjutnya ZA
dibagi dengan bias (σ) tertentu dan kemudian dimasukkan ke dalam fungsi
Parzen, yaitu g(x)=exp (-x). Dengan demikian, persamaan yang digunakan
pada lapisan pola sebagai berikut:
(5)
g �
exp −
dengan xAi menyatakan vektor bobot atau vektor latih kelas ke-A urutan ke-i.
3. Lapisan penjumlahan (summation layer)
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:
p ω p x|ω

dengan :
p(A)
p(x|A)
xAi
d
N

∑

exp −

(6)

= peluang kelas A
= peluang bersyarat x jika masuk ke dalam kelas A
= vektor data latih kelas A urutan ke-i
= dimensi vektor masukan
= jumlah pola pelatihan seluruh kelas

= faktor penghalus
4. Lapisan keluaran (output layer). Pada lapisan keluaran, input
diklasifikasikan ke dalam kelas A berdasarkan nilai pA(x) maksimum.

x

9

g1

...

Sum
1

f1

gm
Kelas 1

f2
g1
Sum
2

...

f3

Kelas
Keputusan

gm

fn

g1

…………..

..…......

Kelas 2

...

Sum
n

gm
Kelas n
Lapisan
Masukan

Lapisan
Pola

Lapisan
Penjumlahan

Lapisan
Keputusan

Gambar 8 Struktur PNN
Analysis of Variance (ANOVA)
Analysis of Variance (ANOVA) adalah analisis statistik yang digunakan
untuk membedakan populasi menggunakan nilai variansi. Pada penerapannya,
ANOVA menggunakan serangkaian hipotesis. Hipotesis pilihan harus memiliki
tingkat kepercayaan yang baik. Umumnya tingkat kepercayaan yang digunakan
bernilai 95% atau 0.05 (Lin et al. 2013). ANOVA dapat digunakan pada berbagai
disiplin ilmu (Black et al. 2010). ANOVA mampu menyediakan informasi
perbedaan rata-rata satu kelompok dengan kelompok yang lain dengan resiko
kesalahan yang kecil.
K-fold Cross Validation
K-Fold Cross Validation adalah model yang biasa digunakan pada
statistical data mining dan mechine learning. K-Fold Cross Validation digunakan
untuk memperoleh representasi data yang mampu mewakili populasi sehingga
dapat digunakan membentuk model klasifikasi yang terbaik. K-fold cross
validation membagi data menjadi data latih dan data uji. Jumlah blok ditentukan
sesuai dengan K yang dipergunakan. Satu blok digunakan sebagai data latih dan
blok yang lain digunakan sebagai data uji. Semua blok mempunyai kesempatan
yang sama sebagai data latih dan data uji (Anguita et al. 2009). Data uji

10
digunakan untuk menguji performa model (Westerhuis et al. 2008). Ilustrasi dari
3-fold cross validation ditunjukkan pada Gambar 9.

Gambar 9 3-Fold Cross Validation
Confusion Matrix
Metode confusion matrix adalah salah satu metode untuk menguji ketelitian
hasil klasifikasi. Confusion matrix memiliki informasi mengenai kelas aktual dan
prediksi dari suatu sistem klasifikasi (Kohavi dan Provost 1998). Metode
confusion matrix menyediakan informasi yang lebih mendetail mengenai
performa model klasifikasi. Informasi yang ditampilkan adalah jumlah data yang
diklasifikasikan secara benar oleh model klasifikasi dan jumlah data yang
terklasifikasi secara tidak benar ke dalam kelas yang lainnya. Tabel 4 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 matrik, sedangkan yang lainnya adalah yang diklasifikasikan
secara tidak benar (Srinivasulu et al. 2009).
Tabel 1 Confussion matrix untuk masalah klasifikasi biner
Kelas prediksi
+
+
TP
FN
Kelas Aktual
FP
TN
Performance metric digunakan untuk menghitung performa model
klasifikasi dengan menggunakan Persamaan 7 (Srinivasulu et al. 2009).
(7)
Dengan:
1. True positive (TP) = jumlah data kelas positif yang benar diprediksi oleh
model klasifikasi.
2. False negative (FN) = jumlah data kelas positif yang salah diprediksi sebagai
negatif oleh model klasifikasi.
3. False positive (FP) = jumlah data kelas negatif yang salah diprediksi sebagai
positif oleh model klasifikasi.
4. True negative (TN) = jumlah data kelas negatif yang benar diprediksi oleh
model klasifikasi.

11

3 METODE PENELITIAN
Prosedur penelitian dilakukan dengan tiga proses besar yaitu: pendugaan
nilai reflectance, pendugaan pigmen dan pendugaan usia daun. Tahapan dari
masing masing proses dapat dilihat pada Gambar 10.
Estimasi Nilai Reflectance

Pendugaan Kandungan Pigmen dan Usia Daun

Pengambilan data

Pengambilan data

Praproses

Praproses

Estimasi nilai Reflectance

Estimasi Nilai Reflectance
dengan Basis Wavelet

Dataset 46

Dataset 276

Polinomial

Polinomial

Wavelet

Wavelet

Konversi
Absorbance

K-fold cross
validation

Pendugaan
Kandungan Pigmen
Data latih

Evaluasi
(GFC &
RMSE)

Evaluasi
(GFC &
RMSE)

Data uji

Klasifikasi
(PNN)

Penentuan Basis
Wavelet Terbaik

Evaluasi

Gambar 10 Tahapan penelitian
Pengambilan Data
Bahan yang digunakan adalah 46 daun tanaman obat, 10 daun Jati Belanda
dan 600 daun Jati Belanda yang terdiri dari usia 1, 2, dan 3 bulan. Bahan
diperoleh dari Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB.
Daun tanaman obat terdiri dari 23 daun usia muda dan 23 daun usia tua. Akuisisi
data dilakukan menggunakan alat spektrofotometer dan kamera digital.
Spektrofotometer USB 4000 digunakan untuk memperoleh data reflectance
dari bahan yang digunakan. Spektrum reflectance diakuisisi pada bagian bawah
tulang daun karena pada bagian tersebut tidak terjadi perubahan warna yang besar
jika dibandingkan dengan bagian pinggir daun. Akuisisi dilakukan pada panjang
gelombang 400-700 nm atau pada kisaran gelombang tampak. Panjang sampel

12
spektrum reflectance pada setiap akuisisi terdiri dari 515 spektrum. Spektrum
reflectance disimpan pada komputer melalui media koneksi usb.
Akuisisi reflectance 46 daun tanaman obat menghasilkan 276 spektrum
reflectance. Akuisisi reflectance 10 daun Jati Belanda menghasilkan 10 spektrum
reflectance. Akuisisi reflectance 600 daun Jati Belanda menghasilkan 600
spektrum reflectance daun Jati Belanda usia 1, 2 dan 3 bulan. Ilustrasi akuisisi
reflectance untuk 1 buah daun dari 46 daun tanaman obat menggunakan
spektrofotometer dapat dilihat pada Gambar 11.

Enam titik tempat pengambilan
nilai Reflectance

Gambar 11 Proses akuisisi reflectance 46 daun tanaman
obat menggunakan spektrofotometer.
Kamera Canon dengan resolusi 8 Mp digunakan untuk memperoleh data
citra digital. Akuisisi dilakukan di dalam kotak dengan lampu tungsten 15 Watt
sebagai sumber pencahayaan. Setiap daun yang dikumpulkan diletakan di dalam
kotak dengan latar belakang putih secara bergantian. Akuisisi citra daun dilakukan
pada jarak 50 cm dan tegak lurus dari sumber cahaya. Pengambilan data dilakukan
di dalam kotak bertujuan untuk meminimalkan efek pencahayaan luar dan
menghasilkan efek pencahayaan yang homogen. Proses pengambilan data citra
digital ditunjukkan pada Gambar 12.

Gambar 12 Proses pengambilan data citra digital.
Ukuran citra hasil akuisisi kamera adalah 3888 x 2592 px. Akuisisi citra
menggunakan kamera digital menghasilkan data 46 citra daun tanaman obat, 10
citra daun Jati Belanda dan 600 citra daun Jati Belanda usia 1, 2 dan 3 bulan.
Hasil akuisisi data 46 daun tanaman obat dapat dilihat pada Lampiran 1. Data 10
daun Jati Belanda dan 600 daun Jati Belanda usia 1, 2 dan 3 bulan adalah dataset
uji untuk estimasi reflectance dan pendugaan usia daun.

13
Praproses
Praproses bertujuan untuk memisahkan data dari bagian yang tidak
digunakan. Data citra digital dibersihkan dari data yang tidak digunakan dengan
melakukan pemotongan (cropping) manual pada wilayah yang sama dengan
tempat pengambilan reflectance. Ukuran citra hasil pemotongan adalah 100 x 100
piksel. Setiap satu piksel terdiri dari 3 komponen (RGB). Tahapan praproses dapat
dilihat pada Gambar 13.

Citra Asli

Daerah crop
Hasil crop
Gambar 13 Tahap praproses.

Citra hasil crop diproses sehingga diperoleh sebuah piksel yang mewakili
wilayah pengambilan reflectance menggunakan proses rata-rata dari masingmasing komponen warna pada wilayah pengambilan data reflectance. Sebagai
ilustrasi akan digunakan data 46 daun tanaman obat. Ilustrasi pengambilan
reflectance dan piksel RGB dapat dilihat pada Gambar 14.
Daun 1

Reflectance515
RGB13
6

6

Daun 2

Reflectance515
RGB23
6

6

Reflectance 515
RGB3
276

276

Daun 46

Reflectance515
RGB463
6

6

Gambar 14 Proses pengambilan spektrum reflectance dan RGB
pada data 46 daun tanaman obat.
Data reflectance dan citra digital 46 daun tanaman obat yang berjumlah 276
dikenakan proses rata-rata sehingga diperoleh 1 buah nilai reflectance untuk
setiap daun. Reflectance 46 daun tanaman obat yang telah dikenakan proses ratarata selanjutnya disebut dataset 46. Reflectance 46 daun tanaman obat yang

14
berjumlah 276 reflectance disebut dengan dataset 276. Ilustrasi pengambilan
rataaan spektrum reflectance dan RGB dapat dilihat pada Gambar 15.
Daun 1

Keenam titik
Reflectance dan RGB
1
dirata-ratakan

Reflectance515
RGB13
1

Daun 2

Keenam titik
Reflectance dan RGB
dirata-ratakan
1

Reflectance515
RGB23
1

Daun 46

Reflectance515
RGB3
46

46

Keenam titik
Reflectance dan RGB
1
dirata-ratakan

Reflectance515
RGB463
1

Gambar 15 Ilustrasi pengambilan rataaan spektrum reflectance
dan RGB pada data 46 daun tanaman obat.
Proses rata-rata pada wilayah pengambilan reflectance pada citra daun tidak
terlalu berpengaruh terhadap keragaman nilai piksel karena daun yang digunakan
berada pada wilayah warna hijau. Proses rata-rata diharapkan mampu
menghasilkan ukuran data yang lebih kecil yang berpengaruh pada waktu proses.
Pada penelitian ini waktu proses tidak akan dibahas karena tujuan penelitian
adalah membentuk model estimasi reflectance terbaik.
Estimasi Spektrum Reflectance
Estimasi spektrum reflectance adalah proses untuk menentukan model
reflectance terbaik dari citra daun Jati Belanda. Proses estimasi spektrum
reflectance dari citra digital dilakukan menggunakan formula 8 (Mansouri et al.
2008).
(8)
(9)
Dimana:
= reflectance rekonstruksi
r = nilai dataset reflectance
B = fungsi basis wavelet
S = sensitivitas kamera
d = matriks RGB citra
Fungsi basis wavelet diperoleh dengan cara mendekomposisi data
reflectance dari 46 daun tanaman obat (dataset 46 dan 276). Fungsi basis wavelet
selanjutnya dipilih berdasarkan persentase energi koefisien wavelet terbesar.
Fungsi basis wavelet mengandung informasi penting yang tedapat pada spektrum
reflectance dari 46 daun tanaman obat. Transformasi wavelet diterapkan untuk

15
mencari informasi penting pada reflectance menggunakan filter Haar, Daubechies
(dbN) dan Symlet (symN). Nilai N yang digunakan adalah 1, 5 dan 10 dengan
penerapan level dekomposisi 1 sampai 3. Percobaan menggunakan filter yang
berbeda bertujuan untuk menentukan filter dan level terbaik dalam membentuk
model estimasi reflectance terbaik.
Model polinomial diterapkan untuk meningkatkan jumlah penciri citra
digital sehingga diperoleh ciri citra digital yang lebih representatif untuk
membentuk model reflectance terbaik. Ekspansi ciri citra digital menggunakan
model polinomial dapat dilihat pada Tabel 2.
Tabel 2 Model Polinomial
Orde
1
2
3

Terms
3
7
10

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

Masing-masing orde polinomial meningkatkan jumlah penciri citra digital
sesuai dengan jumlah terms yang dihasilkan. Model reflectance 10 citra daun Jati
Belanda terbaik selanjutnya digunakan untuk menduga reflectance dari citra daun
Jati Belanda usia 1, 2 dan 3 bulan.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Ilustrasi estimasi spektrum reflectance 10 daun Jati Belanda menggunakan
dataset 46 daun tanaman obat dapat dilihat pada Gambar 16.
Dekomposisi
wavelet

Training set

Rekonstruksi
Reflectance

Evaluasi
(RMSE & GFC)
Test set
Model Reflectance
terbaik
Gambar 16 Bagan alir estimasi nilai reflectance menggunakan
dataset 46
Reflectance 46 daun tanaman obat didekomposisi menggunakan
dekomposisi wavelet. Dekomposisi wavelet menghasilkan komponen frekuensi
tinggi dan komponen frekuensi rendah. Komponen frekuensi rendah adalah

16
merupakan bagian informasi penting yang terdapat pada spektrum reflectance.
Fungsi basis wavelet dipilih berdasarkan prosentase energi terbesar dari
komponen frekuensi rendah. Basis fungsi diolah menggunakan formula estimasi
reflectance untuk menentukan reflectance dari citra 10 daun Jati Belanda.
Reflectance asli dan rekonstruksi dievaluasi menggunakan RMSE dan GFC untuk
menentukan model reflectance yang terbaik.
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Ilustrasi estimasi spektrum reflectance 10 daun Jati Belanda menggunakan
dataset 276 daun tanaman obat dapat dilihat Gambar 17.
Dekomposisi
wavelet

Rekonstruksi
Reflectance

Training set

Evaluasi
(RMSE & GFC)
Test set
Model Reflectance
terbaik
Gambar 17 Bagan alir estimasi nilai reflectance menggunakan
dataset 276
Reflectance 276 daun tanaman obat didekomposisi menggunakan
dekomposisi wavelet. Dekomposisi wavelet menghasilkan komponen frekuensi
tinggi dan komponen frekuensi rendah. Komponen frekuensi rendah adalah
merupakan bagian informasi penting pada spektrum reflectance. Fungsi basis
wavelet dipilih berdasarkan persentae energi terbesar dari komponen frekuensi
rendah. Basis fungsi diolah menggunakan formula estimasi reflectance untuk
menentukan reflectance dari citra 10 daun Jati Belanda. Reflectance asli dan
rekonstruksi dievaluasi menggunakan RMSE dan GFC untuk menentukan model
reflectance yang terbaik.
Penentuan dataset terbaik sebagai model estimasi
Tahapan ini bertujuan untuk mengevaluasi nilai reflectance estimasi dengan
reflectance asli. Metode evaluasi yang digunakan adalah GFC dan RMSE.
Formula GFC dan RMSE dituliskan pada persamaan 10 dan 11.

|∑

[

|∑

] |

|∑

[

|

] |

(10)

17
∑

√

(11)

Dimana:
s : spektrum original
sr : adalah spektrum rekonstruksi
: panjang spektrum
n : jumlah kanal.
i : indeks kanal dengan nilai 1 sampai n jumlah kanal.
GFC mengevaluasi kemiripan reflectance data latih dengan reflectance hasil
model. RMSE digunakan untuk mencari nilai error antara reflectance asli dengan
reflectance hasil model estimasi. Dataset terbaik diperoleh dengan kriteria
kesalahan minimum dengan kemiripan besar.
Pendugaan Kandungan Pigmen dan Usia Daun
Model reflectance terbaik telah diperoleh pada proses sebelumnya. Model
reflectance terbaik digunakan untuk mencari nilai reflectance dari citra daun Jati
Belanda usia 1, 2 dan 3 bulan. Nilai reflectance estimasi citra daun Jati Belanda
usia 1, 2 dan 3 bulan selanjutnya digunakan untuk menentukan kandungan pigmen
dan usia daun. Pigmen yang terdapat pada daun dapat diketahui melalui nilai
absorbance. Nilai absorbance diperoleh dari konversi nilai estimasi reflectance
citra daun Jati Belanda usia 1, 2 dan 3 bulan dengan menggunakan Persamaan 1.
Kandungan pigmen yang terdapat pada daun mampu mengindikasikan kadar
senyawa aktif di dalamnya.
Pendugaan absorbance pada pigmen utama daun
Proses pendugaan nilai absorbance adalah proses konversi nilai reflectance
menjadi absorbance sehingga kandungan pigmen penting pada daun dapat
diketahui. Pigmen penting adalah pigmen yang berperan penting pada proses
fotosintesa. Pigmen penting yang akan dibahas adalah Chlorophyll a, Chlorophyll
b dan β-carotene. Absorbance maksimum pada Chlorophyll a berada pada
panjang gelombang 430 nm dan 662 nm. Chlorophyll b berada panjang
gelombang 453 nm dan 642 nm. β-carotene berada pada panjang gelombang 451
nm dan 470 nm (Ustin et al. 2009).
Pendugaan usia daun tanaman
Proses pendugaan usia daun tanaman bertujuan untuk mengklasifikasikan
citra daun menggunakan PNN. Citra daun Jati Belanda usia 1, 2 dan 3 bulan di
estimasi nilai reflectance-nya. Reflectance daun Jati Belanda usia 1, 2, dan 3 bulan
dikenakan operasi 5-Fold Cross Validation untuk memperoleh sampel data latih
dan data uji yang mampu merepresentasikan keseluruhan data. Proses pembagian
data latih dan data uji menggunakan 5-Fold cross validation dapat dilihat pada
Tabel 3.
Data reflectance daun Jati Belanda setiap usia dibagi menjadi 5 buah blok
partisi (S1-S5). Sebuah partisi digunakan sebagai data uji dan 4 partisi yang lain
digunakan sebagai data latih. Prosentase data latih dan data uji yang digunakan
adalah 80% dan 20% dari data total setiap usia. Data total setiap usia berjumlah

18
200 buah sehingga setiap partisi terdiri dari 160 data latih dan 40 data uji. Hasil
ekstraksi data latih dan data uji digunakan untuk membuat model klasifikasi yang
terbaik. Penentuan hasil klasifikasi ditentukan oleh nilai peluang maksimum yang
mengarah ke salah satu usia. Evaluasi performa model klasifikasi didasarkan pada
banyaknya data uji yang diprediksi benar oleh model.
Tabel 3 Pembagian data latih dan data uji dengan 5-fold cross validation
Percobaan
Fold 1
Fold 2
Fold 3
Fold 4
Fold 5

Data latih
S2, S3, S4, S5
S1, S3, S4, S5
S1, S2, S4, S5
S1, S2, S3, S5
S1, S2, S3, S4

Data uji
S1
S2
S3
S4
S5

19

4 HASIL DAN PEMBAHASAN
Estimasi Spektrum Reflectance
Dataset yang digunakan adalah dataset 46 dan dataset 276. Setiap dataset
menghasilkan reflectance estimasi menggunakan persamaan 8. Pemilihan model
polinomial dan fungsi wavelet yang paling sesuai, diterapkan untuk menghasilkan
model estimasi reflectance yang terbaik.
Wavelet mendekomposisi spektrum reflectance pada setiap dataset
menggunakan 7 wavelet dan 3 level dekomposisi. Dekomposisi menghasilkan
komponen frekuensi tinggi dan komponen frekuensi rendah. Komponen yang
dipilih adalah komponen frekuensi rendah karena sifat reflectance yang halus
(Mansouri et al. 2008). Basis fungsi dipilih berdasarkan energi relatif terbesar dari
komponen frekuensi rendah.
Nilai sensitifitas kamera diperoleh menggunakan Persamaan 9. Matriks
RGB kamera diekspansi menggunakan model polinomial dengan 3 orde.
Komponen untuk membentuk model estimasi reflectance sudah terpenuhi. Nilai
estimasi reflectance diproses mengunakan Persamaan 8 menggunakan 2 buah
dataset.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Estimasi spektrum reflectance diperoleh dengan Persamaan 8. Analisa
spektrum estimasi dengan spektrum reflectance asli (original) menggunakan
model RMSE dan GFC. GFC digunakan untuk mengukur tingkat kemiripan
sinyal. RMSE mengukur kesalahan keluaran model estimasi dengan reflectance
asli. Hasil estimasi spektrum reflectance menggunakan dataset 46 diperlihatkan
pada Tabel 4. Hasil estimasi spektrum reflectance terbaik menggunakan dataset
46 diperlihatkan pada Gambar 18.
Tabel 4 Nilai error dan GFC menggunakan dataset 46
RMSE
GFC
Wavelet

Orde 1
8.65
0.87
haarlvl4

Orde 2
11.08
0.95
db5lvl3

Orde 3
9.41
0.98
db10lvl3

Penggunaan model polinomial tidak berpengaruh terhadap penurunan nilai
RMSE, tetapi berpengaruh terhadap peningkatan nilai GFC. Nilai GFC meningkat
seiring peningkatan orde polinomial yang digunakan. Penggunaan polinomial
orde 1 menghasilkan error dan GFC terkecil sebesar 8.65 dan 0.87. Nilai GFC
terbesar terdapat pada penggunaan polinomial orde 3 sebesar 0.98.
Model polinomial terbaik pada penggunaan dataset 46 adalah polinomial
orde 3 dengan wavelet terbaik adalah db10 dekomposisi level 3. Hal ini
disebabkan oleh kemiripan sinyal yang baik dengan tingkat kesalahan yang tidak
terlalu jauh dengan kesalahan terkecil pada polinomial orde 1. Gambar 18
memperlihatkan sinyal asli dan estimasi pada penerapan orde 3 pada citra digital.
Hasil pengujian lengkap penggunaan wavelet dapat dilihat pada Lampiran 2, dan
rekapitulasi RMSE dan GFC dapat dilihat pada Lampiran 3.

20
0.9
0.8
Reflectance(%)

0.7
0.6
0.5
0.4

Original

0.3

Orde 3

0.2
0.1
0
400

500
600
Panjang Gelombang (nm)

700

Gambar 18 Spektrum reflectance rekonstruksi daun Jati Belanda
menggunakan dataset 46
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Estimasi spektrum reflectance diperoleh dengan Persamaan 8. Analisa
spektrum estimasi dengan spektrum reflectance asli (original) menggunakan
model RMSE dan GFC. GFC digunakan untuk mengukur tingkat kemiripan
sinyal. RMSE mengukur kesalahan keluaran model estimasi dengan reflectance
asli. Hasi