pengukuran kinerja k-nearest neighbors dan self organizing maps menggunakan fast fourier transform untuk identifikasi penyakit tanaman (studi kasus : tanaman padi dan anthurium)

iii

ABSTRACT

MUHAMMAD IRFANSYAH. The Measurement of k-Nearest Neighbors and Self Organizing Maps Using Fast Fourier Transform For Plant Identification Diseases (Case Study: Rice And Anthurium). Supervised by YENI HERDIYENI.

Plant diseases can reduce the plant sale price, resulting in losses on farmers especially in the economic field. Eradication of the diseases has been done, but determining the type of disease is still difficult. This research proposed a new study on measuring for automatically identification of plant disease based on leaf image with the input of digital image. Detection process started with feature extraction using Fast Fourier Transform and the identification process using the k-Nearest Neighbor (kNN) and Self Organizing Maps (SOM). This study, used the image which consists of six hundred pieces of images, that divided into six classes consisting of 70% for train data and 30% for test data. The experimental result showed that identification of plant disease using k-NN is better than that of SOM. The accuracy achieved 76% and 62% for k-NN and SOM respectively.

1

PENDAHULUAN

Latar Belakang

Serangan penyakit pada tanaman padi dan anthurium merupakan faktor pembatas pertumbuhan dan hasil. Hama dan penyakit tanaman padi dan anthurium merupakan salah satu faktor penting yang ikut menentukan berhasil atau tidaknya usaha pertanian dan budidaya tanaman hias. Gagalnya panen dan banyaknya tanaman hias yang rusak akan mempengaruhi daya jual sehingga akan mengakibatkan kerugian terutama pada bidang ekonomi. Pemberantasan hama dan penyakit sudah banyak dilakukan, namun dalam penentuan jenis penyakit masih menemukan banyak kesulitan selain proses identifikasi penyakit yang berlangsung lama. oleh karena itu, diperlukan suatu teknik untuk mendapatkan pola dari setiap ciri daun yang berpenyakit agar dapat dilakukan penglasifikasian citra dengan baik. Salah satu teknik untuk mendapatkan pola suatu citra adalah dengan melakukan ekstraksi ciri.

Penelitian sebelumnya terkait dengan identifikasi penyakit pada daun antara lain (El-Telbany et al. 2006) telah menerapkan teknik jaringan syaraf tiruan (JST) dan algoritme C4.5. Berdasarkan penelitiannya, algoritme C4.5 mampu mengurangi kesalahan menggunakan teknik pruning dan memberikan hasil yang baik dibandingkan teknik jaringan syaraf tiruan. Phadikar dan Sil (2008) melakukan identifikasi daun padi yang berpenyakit menggunakan jaringan syaraf tiruan Self Organizing Maps (SOM) dengan menerapkan segmentasi, deteksi tepi dan deteksi bintik daun pada tahap ekstraksi cirinya. Pada penelitian Gu (2005) juga melakukan identifikasi daun tetapi tidak pada daun yang terkena penyakit, identifikasi jenis daun dilakukan dengan kombinasi transformasi wavelet dan interpolasi gaussian dengan k-Nearest Neighbors (k-NN) sebagai metode klasifikasi.

Penelitian ini melakukan identifikasi

penyakit pada daun tanaman padi dan

anthurium dengan menerapkan metode Jaringan syaraf tiruan SOM, karena pada metode ini dilakukan proses pembentukan cluster data citra. Dengan adanya proses tersebut, pengukuran kemiripan untuk tipe citra kueri dilakukan hanya terhadap cluster citra yang telah terbentuk. Pada penelitian ini juga akan diterapkan metode k-NN sebagai model klasifikasi, Pemberian label jenis daun

yang berpenyakit pada setiap kelompok merupakan model pembelajaran metode ini. Adanya proses tersebut akan memudahkan sistem dalam proses identifikasi citra kueri. Penggunaan metode klasifikasi diharapkan dapat mengidentifikasi penyakit yang sudah diketahui jenisnya, sedangkan metode clustering diharapkan dapat mengidentifikasi penyakit yang belum diketahui jenis penyakitnya. Diharapkan kedua metode ini dapat mengidentifikasi citra daun yang berpenyakit sehingga memperoleh hasil yang memuaskan.

Tujuan

Penelitian ini bertujuan melakukan pengukuran kinerja k-Nearest Neighbors (k-NN) dan Self Organizing Maps (SOM) pada identifikasi penyakit padi dan anthurium. Ruang Lingkup

Data citra yang digunakan dalam penelitian ini adalah citra daun yang diperoleh dari persawahan desa Laladon dan Balai Penelitian Cipanas Bogor, Jawa barat, Indonesia. Objek citra adalah helai daun tunggal yang berasal dari tanaman padi dan anthurium. Penelitian ini difokuskan pada citra helai daun yang terkena penyakit. Manfaat

Hasil penelitian ini dapat membantu petani untuk mengidentifikasi penyakit pada tanaman padi dan anthurium dengan menggunakan komputer.

TINJAUAN PUSTAKA

Jenis Tanaman 1. Padi

Padi merupakan tanaman pangan berupa rumput berumpun. Tanaman pertanian kuno berasal dari dua benua yaitu Asia dan Afrika Barat tropis dan subtropis (Syam et al. 2007).

Klasifikasi botani tanaman padi adalah sebagai berikut:

Divisi : Spermatophyta Sub divisi : Angiospermae Kelas : Monotyledonae Keluarga : Gramineae (Poaceae) Genus : Oryza

Spesies : Oryza spp

Padi dibedakan dalam dua tipe yaitu padi kering (gogo) yang ditanam di dataran tinggi

1

PENDAHULUAN

Latar Belakang

Serangan penyakit pada tanaman padi dan anthurium merupakan faktor pembatas pertumbuhan dan hasil. Hama dan penyakit tanaman padi dan anthurium merupakan salah satu faktor penting yang ikut menentukan berhasil atau tidaknya usaha pertanian dan budidaya tanaman hias. Gagalnya panen dan banyaknya tanaman hias yang rusak akan mempengaruhi daya jual sehingga akan mengakibatkan kerugian terutama pada bidang ekonomi. Pemberantasan hama dan penyakit sudah banyak dilakukan, namun dalam penentuan jenis penyakit masih menemukan banyak kesulitan selain proses identifikasi penyakit yang berlangsung lama. oleh karena itu, diperlukan suatu teknik untuk mendapatkan pola dari setiap ciri daun yang berpenyakit agar dapat dilakukan penglasifikasian citra dengan baik. Salah satu teknik untuk mendapatkan pola suatu citra adalah dengan melakukan ekstraksi ciri.

Penelitian sebelumnya terkait dengan identifikasi penyakit pada daun antara lain (El-Telbany et al. 2006) telah menerapkan teknik jaringan syaraf tiruan (JST) dan algoritme C4.5. Berdasarkan penelitiannya, algoritme C4.5 mampu mengurangi kesalahan menggunakan teknik pruning dan memberikan hasil yang baik dibandingkan teknik jaringan syaraf tiruan. Phadikar dan Sil (2008) melakukan identifikasi daun padi yang berpenyakit menggunakan jaringan syaraf tiruan Self Organizing Maps (SOM) dengan menerapkan segmentasi, deteksi tepi dan deteksi bintik daun pada tahap ekstraksi cirinya. Pada penelitian Gu (2005) juga melakukan identifikasi daun tetapi tidak pada daun yang terkena penyakit, identifikasi jenis daun dilakukan dengan kombinasi transformasi wavelet dan interpolasi gaussian dengan k-Nearest Neighbors (k-NN) sebagai metode klasifikasi.

Penelitian ini melakukan identifikasi

penyakit pada daun tanaman padi dan

anthurium dengan menerapkan metode Jaringan syaraf tiruan SOM, karena pada metode ini dilakukan proses pembentukan cluster data citra. Dengan adanya proses tersebut, pengukuran kemiripan untuk tipe citra kueri dilakukan hanya terhadap cluster citra yang telah terbentuk. Pada penelitian ini juga akan diterapkan metode k-NN sebagai model klasifikasi, Pemberian label jenis daun

yang berpenyakit pada setiap kelompok merupakan model pembelajaran metode ini. Adanya proses tersebut akan memudahkan sistem dalam proses identifikasi citra kueri. Penggunaan metode klasifikasi diharapkan dapat mengidentifikasi penyakit yang sudah diketahui jenisnya, sedangkan metode clustering diharapkan dapat mengidentifikasi penyakit yang belum diketahui jenis penyakitnya. Diharapkan kedua metode ini dapat mengidentifikasi citra daun yang berpenyakit sehingga memperoleh hasil yang memuaskan.

Tujuan

Penelitian ini bertujuan melakukan pengukuran kinerja k-Nearest Neighbors (k-NN) dan Self Organizing Maps (SOM) pada identifikasi penyakit padi dan anthurium. Ruang Lingkup

Data citra yang digunakan dalam penelitian ini adalah citra daun yang diperoleh dari persawahan desa Laladon dan Balai Penelitian Cipanas Bogor, Jawa barat, Indonesia. Objek citra adalah helai daun tunggal yang berasal dari tanaman padi dan anthurium. Penelitian ini difokuskan pada citra helai daun yang terkena penyakit. Manfaat

Hasil penelitian ini dapat membantu petani untuk mengidentifikasi penyakit pada tanaman padi dan anthurium dengan menggunakan komputer.

TINJAUAN PUSTAKA

Jenis Tanaman 1. Padi

Padi merupakan tanaman pangan berupa rumput berumpun. Tanaman pertanian kuno berasal dari dua benua yaitu Asia dan Afrika Barat tropis dan subtropis (Syam et al. 2007).

Klasifikasi botani tanaman padi adalah sebagai berikut:

Divisi : Spermatophyta Sub divisi : Angiospermae Kelas : Monotyledonae Keluarga : Gramineae (Poaceae) Genus : Oryza

Spesies : Oryza spp

Padi dibedakan dalam dua tipe yaitu padi kering (gogo) yang ditanam di dataran tinggi

2

dan padi sawah di dataran rendah yang

memerlukan penggenangan. 2. Anthurium

Tanaman hias secara garis besar dibagi menjadi dua kelompok utama yaitu tanaman taman (landscaped plant) dan tanaman penghias rumah (house plant). Di antara jenis tanaman hias yang banyak diminati adalah anthurium. Anthurium merupakan tanaman asli dari daerah tropis yang telah menyebar ke seluruh penjuru dunia.

Anthurium termasuk keluarga Araceae yang mempunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Tanaman berdaun indah ini masih berkerabat dengan sejumlah tanaman hias populer semacam aglonema, philodendron, keladi hias, dan alokasia. Dalam keluarga araceae, Anthurium adalah genus dengan jumlah jenis terbanyak. Diperkirakan ada sekitar seribu jenis anggota marga anthurium.

Anthurium salah satu tanaman hias indoor yang memiliki daya tarik tersendiri karena bentuk daun dan bunganya unik. Ada dua macam anthurium, yaitu anthurium daun dan anthurium bunga. Anthurium daun dinikmati karena keindahan daunnya sedangkan anthurium bunga karena keindahan bunganya (Fatihagriculture 2007).

Penyakit Tanaman

Penyakit yang menyerang tanaman padi biasanya disebabkan oleh hama dan bakteri (Syam et al. 2007), berikut adalah beberapa penyakit yang dibahas pada penelitian ini: 1. Blas (leaf blast)

Semula penyakit blas dikenal sebagai salah satu kendala utama pada padi gogo, tetapi sejak akhir 1980-an, penyakit ini juga sudah terdapat pada padi sawah beririgasi. Penyakit ini disebabkan oleh jamur pathogen Pyricularia grisae.

Penyakit blas menimbulkan dua gejala khas, yaitu blas daun dan blas leher. Blas daun merupakan bercak coklat kehitaman, berbentuk belah ketupat, dengan pusat bercak berwarna putih, sedangkan blas leher berupa bercak coklat kehitaman pada pangkal leher yang dapat mengakibatkan leher malai tidak mampu menopang malai dan patah.

Penyakit ini dikendalikan melalui penanaman varietas lahan secara bergantian untuk mengantisipasi perubahan ras blas yang

sangat cepat dan dengan cara pemupukan NPK yang tepat.

Gambar 1 Leaf blast. 2. Bercak coklat (brown spot)

Penyakit bercak coklat disebabkan oleh jamur Helmintosporium oryzae pada pertanaman bercak coklat dapat menyebabkan kematian tanaman muda dan menurunkan kualitas gabah.

Gejala yang paling umum dari penyakit ini adalah bercak berwarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada permukaan daun, pada pelepah atau pada gabah. Patogen penyakit bersifat terbawa benih (seed borne), sehingga dalam keadaan yang cocok, penyakit dapat berkembang pada tanaman yang masih sangat muda.

Penyakit dapat dikendalikan secara efektif dengan varietas tahan dan melalui pemupukan dengan 250 kg urea, 100 kg SP36, dan 100 kg KCI.

Gambar 2 Brown spot.

3. Hawar daun bakteri (bacterial leaf blight)

Hawar daun bakteri (HDB) disebabkan oleh Xanthomonas oryzae pv. Oryzae

merupakan penyakit bakteri yang tersebar luas dan menurunkan hasil sampai 36%. Penyakit terjadi pada musim hujan atau musim kemarau yang basah, terutama pada lahan sawah yang selalu tergenang, dan pemakaian pupuk N yang berlebihan (> 250 kg urea /ha).

Penyakit HDB menghasilkan dua gejala khas, yaitu kresek dan hawar. Kresek adalah gejala yang terjadi pada tanaman berumur <30 hari (pesemaian atau yang baru dipindah). Daun-daun berwarna hijau kelabu, melipat, dan menggulung. Sementara, hawar merupakan gejala yang paling umum dijumpai pada pertanaman yang telah mencapai fase tumbuh anakan sampai fase pemasakan.

Penyakit HDB secara efektif dikendalikan dengan varietas tahan, pemupukan lengkap, dan pengaturan air. Gunakan pupuk NPK dalam dosis yang tepat. Bila memungkinkan, hindari penggenangan yang terus-menerus,

3

misal satu hari digenangi dan tiga hari

dikeringkan.

Gambar 3 Hawar daun. 4. Tungro

Tungro merupakan salah satu penyakit penting pada padi sangat merusak dan tersebar luas. Di Indonesia, semula penyakit ini hanya terbatas di Sulawesi Selatan, tetapi sejak awal tahun 1980-an menyebar ke Bali, Jawa Timur, dan sekarang sudah menyebar ke hampir seluruh wilayah Indonesia. Bergantung pada saat tanaman terinfeksi, tungro dapat menyebabkan kehilangan hasil 5-70%. Makin awal tanaman terinfeksi tungro, makin besar kehilangan hasil yang ditimbulkannya.

Gejala serangan tungro yang menonjol adalah perubahan warna daun dan tanaman tumbuh kerdil. Warna daun tanaman sakit bervariasi dari sedikit menguning sampai jingga. Tingkat kekerdilan tanaman juga bervariasi dari sedikit kerdil sampai sangat kerdil. Gejala khas ini ditentukan oleh tingkat ketahanan varietas, kondisi lingkungan, dan fase tumbuh saat tanaman terinfeksi. Penyakit tungro ditularkan oleh wereng hijau.

Penyakit tungro dapat dikendalikan melalui pergiliran varietas tahan yang memiliki tetua berbeda, pengaturan waktu tanam, sanitasi dengan menghilangkan sumber tanaman sakit, dan penekanan populasi wereng hijau dengan insektisida.

Gambar 4 Tungro. 5. Bercak Daun

Pada tanaman hias anthurium, penyakit bercak daun harus diwaspadai dan biasanya sangat di takuti oleh penghobi. Daun yang terkena penyakit ini tampak kekuning-kuningan dengan bercak-bercak berwarna coklat. Bila dibiarkan, dalam jangka beberapa waktu bercak itu berubah sedikit kehitaman. Serangan itu ditengarahi karena bakteri pseudomonas cichorii dan xanthomonas campestris. Kedua bakteri tersebut hadir melalui luka di daun. Penyakit itu dapat diatasi menggunakan bakterisida berbahan aktif mancozeb.

Gambar 5 Bercak daun. 6. Bercak Kuning

Anthurium yang terserang penyakit bercak kuning umumnya sulit disembuhkan, karena penyakit ini sangat cepat menyebar ke seluruh tanaman. Mula-mula muncul noktah kecil berwarna kuning pada daun yang semakin lama semakin lebar, hingga seluruh permukaan daun anthurium tertutup warna kuning. Setelah satu daun terserang, maka daun-daun yang lain tinggal menunggu giliran, sampai semua kuning dan akhirnya tidak bisa diselamatkan.

Sampai saat ini masih belum diketahui secara pasti penyebab penyakit ini. Para hobiis menganggap penyakit ini bersifat multifaktor seperti media terlalu lembab, aliran udara tidak lancar, komposisi media kurang tepat dan kelebihan pupuk kandang.

Meski belum pasti disebabkan oleh jamur, tetapi pengendalian dengan menggunakan fungisida patut dicoba. Cara paling ekstrim yang bisa dilakukan adalah menggunduli semua daun tanaman yang terserang, lalu menyemprot dengan larutan fungisida. Anakan yang muncul nantinya diharapkan akan menjadi tanaman yang sehat.

Gambar 6 Bercak kuning. Citra

Istilah citra yang digunakan dalam bidang pengolahan citra diartikan sebagai suatu fungsi kontinu dari intensitas cahaya  

dalam bidang dua dimensi, dengan menyatakan suatu koordinat, dan nilai pada setiap titik menyatakan intensitas, tingkat kecerahan, atau derajat keabuan (Murni 1992).

Algoritme Zooming

Algoritme Zooming adalah metode yang ditujukan untuk menambah atau mengurangi jumlah pixel pada sebuah citra digital. Pixel baru didapat dengan cara mengambil informasi dari pixel tetangga yang terdekat pada image asli (Phadikar & Sil 2008).

4

Algoritme zooming sebagai berikut:

1. Langkah pertama adalah menentukan faktor skala dan

dengan adalah ukuran dari citra asli. 2. Untuk langkah kedua:

a. Semua titik pixel dari citra asli yang terletak diposisi ( ditempatkan diposisi sesuai dengan persamaan berikut:

(1)

Seperti posisi yang ditunjukkan area berwarna kuning dengan nilai gray

dan (Gambar 7).

b. Pilih baris pertama dan tentukan kolom yang akan dihitung titik pikselnya. Titik itu merupakan titik tengah. Misalkan titik itu adalah titik

(Gambar 7) yang berada di antara titik dan . Kemudian dihitung dengan menggunakan persamaan:

(2) dengan 1 dan adalah jarak antara titik ke dan titik ke .

c. Untuk menentukan nilai dari titik yang belum dihitung sebelumnya misalkan titik (Gambar 7), dihitung berdasarkan nilai rata-rata empat tetangganya. Sebagai catatan, hanya titik-titik yang nilainya telah dihitung di langkah sebelumnya yang dapat digunakan untuk menghitung nilai dari titik .

Gambar 7 Ilustrasi algoritme zooming. Ekstraksi Fitur

Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk dan

tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau pola-pola yang ada pada suatu daerah bagian citra.

Tekstur

Pada area pemrosesan citra tidak ada definisi yang jelas tentang tekstur. Hal ini disebabkan definisi tekstur yang ada didasarkan kepada metode analisis tekstur dan fitur yang diekstrak dari citra. Akan tetapi, tekstur dapat dianggap sebagai pola piksel yang berulang pada wilayah spasial dimana penambahan noise pada pola dan perulangan frekuensinya, dapat terlihat secara acak dan tidak terstruktur (Osadebey 2006).

Beberapa metode yang berbeda diusulkan untuk menghitung ciri tekstur karena tidak ada definisi matematika yang jelas tentang tekstur. Metode yang paling sering digunakan untuk mendeskripsikan ciri tekstur adalah metode berbasis statistika dan berbasis transformasi (Osadebey 2006).

Fast Fourier Transform

Secara umum, metode yang digunakan dalam pemrosesan citra digital dapat dibagi menjadi dua kelompok, yaitu metode spatial domain dan metode frequency domain. Pada metode spatial domain, pemrosesan dilakukan dengan cara memanipulasi nilai pixel dari citra tersebut secara langsung (Nugroho 2005). Pengolahan citra digital dengan metode frequency domain, informasi citra digital ditransformasikan lebih dulu dengan transformasi fourier, kemudian dilakukan manipulasi pada hasil transformasi Fourier tersebut. Setelah manipulasi selesai, dilakukan inverse transformasi fourier untuk mendapatkan informasi citra kembali. Metode frequency domain ini dapat digunakan untuk menyelesaikan masalah-masalah tertentu yang sulit jika dilakukan dengan menggunakan metode spatial domain.

Teknik perhitungan transformasi fourier diskret didefenisikan sebagai berikut :

(3)

dan

5

dengan

(4) Hasil dari perhitungan ini merupakan bilangan kompleks yang dinyatakan dengan:

(5) dengan dan adalah komponen real dan imajiner dari . Jika dipecah dalam komponen modul amplitudo dan fasa spektrum menjadi:

(6)

dengan adalah magnitude dari ,

dinyatakan dengan :

(7)

(8) Fungsi magnitude disebut juga spektrum fourier dari , dan disebut dengan sudut fase dari .

Hasil transformasi dapat ditampilkan sebagai citra, namun karena dynamic range dari spektrum fourier biasanya sangat besar, maka sebelum ditampilkan sebagai citra harus diubah menjadi:

(9) dengan adalah konstanta. Selanjutnya yang ditampilkan sebagai citra adalah nilai dari

yang memiliki dynamic range lebih kecil daripada .

Klasifikasi

Klasifikasi merupakan bentuk analisis data yang dapat digunakan untuk membangun model berdasarkan kelas data yang tersedia atau untuk memprediksi trend data selanjutnya (Han & Kamber 2006).

k-Nearest Neighbour (k-NN)

k-Nearest Neighbor (k-NN) adalah suatu metode yang menggunakan algoritme supervised dimana hasil dari query instance yang baru, diklasifikasikan berdasarkan mayoritas dari kategori pada k-NN. Tujuan dari algoritme ini adalah menglasifikasi objek baru berdasakan atribut dan training sample.

Algoritme k-NN sangatlah sederhana, bekerja berdasarkan pada jarak terpendek dari query instance ke training sample untuk menentukan k-NN nya (Ramadan 2006).

Dekat atau jauhnya tetangga tersebut biasanya dihitung berdasarkan jarak Euclidian dengan persamaan sebagai berikut:

 

(10) dengan :

: jarak data uji ke data pembelajaran. : data uji ke- , dengan = 1, 2, . . . , : data belajar ke- , dengan = 1, 2, . . . ,

Klasifikasi k-NN dilakukan dengan mencari k buah tetangga terdekat dari data uji dan memilih kelas dengan anggota terbanyak. Adapun langkah-langkah klasifikasi k-NN adalah sebagai berikut :

1. Tentukan parameter k, k merupakan jumlah tetangga terdekat.

2. Hitung jarak antara query instance dan semua sampel pelatihan.

3. Urutkan jarak dan tentukan tetangga terdekat berdasar jarak minimum k-th. 4. Kumpulkan kategori Y dari tetangga

terdekat.

5. Gunakan mayoritas kecil dari kategori tetangga terdekat sebagai nilai prediksi query instance.

Jaringan syaraf tiruan Self Organizing Maps (SOM)

Jaringan syaraf tiruan Self Organizing Maps (SOM) atau disebut juga dengan jaringan Kohonen telah banyak dimanfaatkan untuk pengenalan pola baik berupa citra, suara, dan lain-lain. Jaringan SOM sering pula digunakan untuk ekstraksi ciri (feature) pada proses awal pengenalan pola. Jaringan SOM mampu mereduksi dimensi input pola ke jumlah yang lebih sedikit sehingga pemrosesan komputer menjadi lebih hemat (Kohonen 2004).

6

Metode belajar Jaringan Syaraf Tiruan

SOM adalah belajar tanpa pengawasan (Unsupervised Learning). Bedanya dengan JST biasa pada proses belajar adalah tanpa pengawasan, dimana perubahan bobot-bobot interkoneksinya sebagai tanggapan terhadap masukan dan tanpa memerlukan jawaban targetnya. Jaringan syaraf tiruan SOM terdiri dari dua lapisan yang terhubung penuh, yaitu lapisan masukan dan lapisan kompetitif yang biasanya terbentuk dua dimensi.

Algoritme Self Organizing Map (SOM) Misalkan m adalah dimensi dari vektor input x = [x1,x2,...xm]

T

. Vektor bobot untuk node output j memiliki dimensi yang sama dengan vektor input, sehingga untuk neuron j, bobot vektor akan menjadi: wj = [wj1, wj2, …,wjm]

T

(Kohonen 2004).

Berikut ini adalah algoritme SOM, untuk setiap vektor input x:

1. Kompetisi. Dengan menggunakan fungsi jarak, hitung nilai untuk setiap node output j. Cari node pemenang j (Best matching Unit (BMU), yaitu node output yang memiliki kemiripan tertinggi dengan vektor input, dengan nilai yang meminimumkan

.

2. Kooperasi. Identifikasi seluruh node output j dalam lingkungan node pemenang j dengan menggunakan ukuran node tetangga (neighborhood function)  

.

3. Adaptasi, memperbaharui nilai bobot vektor:

(11) 4. Perbaharui learning rate (η) dan ukuran

node tetangga hij.

5. Hentikan perlakuan ketika kriteria pemberhentian telah dicapai.

Keterangan :

1. Inisialisasi nilai bobot awal biasanya menggunakan nilai tengah (middle point) atau menggunakan nilai acak.

2. Fungsi jarak menggunakan jarak euclid (Euclidean Distance)

 

(12) 3. Ukuran node tetangga (hij) digunakan

untuk mengetahui derajat keanggotaan

(degree of membership) dari node i dalam lingkungan yang berpusat pada node j. Ukuran node tetangga ini diperoleh dengan menggunakan fungsi Gaussian

(13) dengan dij merupakan jarak antara node i dan j dan parameter sebagai ‘lebar efektif’ dari lingkungan. Gambar 9 mengilustrasikan konsep dari fungsi Gaussian:

Gambar 9 Fungsi node tetangga gaussian.

4. Kriteria pemberhentian bisa berupa pembatasan jumlah iterasi, atau ketika (η) = 0

METODE PENELITIAN

Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, ekstraksi ciri, pembangunan model Jaringan syaraf tiruan Self Organizing Maps dan k-Nearest Neighbour, identifikasi penyakit dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan dalam penelitian ini dapat diilustrasikan pada Gambar 10.

6

Metode belajar Jaringan Syaraf Tiruan

SOM adalah belajar tanpa pengawasan (Unsupervised Learning). Bedanya dengan JST biasa pada proses belajar adalah tanpa pengawasan, dimana perubahan bobot-bobot interkoneksinya sebagai tanggapan terhadap masukan dan tanpa memerlukan jawaban targetnya. Jaringan syaraf tiruan SOM terdiri dari dua lapisan yang terhubung penuh, yaitu lapisan masukan dan lapisan kompetitif yang biasanya terbentuk dua dimensi.

Algoritme Self Organizing Map (SOM) Misalkan m adalah dimensi dari vektor input x = [x1,x2,...xm]

T

. Vektor bobot untuk node output j memiliki dimensi yang sama dengan vektor input, sehingga untuk neuron j, bobot vektor akan menjadi: wj = [wj1, wj2, …,wjm]

T

(Kohonen 2004).

Berikut ini adalah algoritme SOM, untuk setiap vektor input x:

1. Kompetisi. Dengan menggunakan fungsi jarak, hitung nilai untuk setiap node output j. Cari node pemenang j (Best matching Unit (BMU), yaitu node output yang memiliki kemiripan tertinggi dengan vektor input, dengan nilai yang meminimumkan

.

2. Kooperasi. Identifikasi seluruh node output j dalam lingkungan node pemenang j dengan menggunakan ukuran node tetangga (neighborhood function)  

.

3. Adaptasi, memperbaharui nilai bobot vektor:

(11) 4. Perbaharui learning rate (η) dan ukuran

node tetangga hij.

5. Hentikan perlakuan ketika kriteria pemberhentian telah dicapai.

Keterangan :

1. Inisialisasi nilai bobot awal biasanya menggunakan nilai tengah (middle point) atau menggunakan nilai acak.

2. Fungsi jarak menggunakan jarak euclid (Euclidean Distance)

 

(12) 3. Ukuran node tetangga (hij) digunakan

untuk mengetahui derajat keanggotaan

(degree of membership) dari node i dalam lingkungan yang berpusat pada node j. Ukuran node tetangga ini diperoleh dengan menggunakan fungsi Gaussian

(13) dengan dij merupakan jarak antara node i dan j dan parameter sebagai ‘lebar efektif’ dari lingkungan. Gambar 9 mengilustrasikan konsep dari fungsi Gaussian:

Gambar 9 Fungsi node tetangga gaussian.

4. Kriteria pemberhentian bisa berupa pembatasan jumlah iterasi, atau ketika (η) = 0

METODE PENELITIAN

Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, ekstraksi ciri, pembangunan model Jaringan syaraf tiruan Self Organizing Maps dan k-Nearest Neighbour, identifikasi penyakit dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan dalam penelitian ini dapat diilustrasikan pada Gambar 10.

7

Data

Tahap awal sebelum pemrosesan citra adalah tahap pengumpulan data. Data citra daun yang digunakan dalam penelitian ini adalah data citra daun yang diambil dari persawahan desa Laladon dan Balai Penelitian Cipanas Bogor, Jawa barat, Indonesia. Data berupa citra daun yang berpenyakit sebanyak enam ratus citra berformat JPEG yang dikelompokkan ke dalam enam kelas antara lain enam kelas penyakit padi yaitu Leaf blast, Brown spot, Hawar daun bakteri, dan Tungro, dua kelas penyakit anthurium yaitu Bercak daun dan Bercak kuning yang tersimpan dalam format JPG berukuran 80x150 piksel. Beberapa contoh citra yang digunakan dapat dilihat pada Lampiran 1. Praproses

Tahap praproses citra dilakukan untuk mempersiapkan citra yang digunakan sebelum masuk ke dalam tahap ekstraksi. Citra daun merupakan citra RGB dengan latar belakang putih, sebelum dilakukan ekstraksi ciri terlebih dahulu citra diubah ke bentuk grayscale yang selanjutnya dilakukan proses cropping agar fokus pada bagian citra daun yang terkena penyakit, kemudian dilakukan proses zooming, hal ini dimaksudkan agar ukuran citra untuk proses selanjutnya berukuran sama.

Ekstraksi Ciri Tekstur

Pada tahap ini citra grayscale hasil cropping dan zooming digunakan sebagai masukan untuk ekstraksi tekstur. Adakalanya suatu citra diubah dari satu domain ke domain lainnya, perubahan ini bertujuan untuk mempermudah pengkodean yang dikenal sebagai proses transformasi.

Transformasi Fourier akan mengubah citra dari domain spatial ke domain frekuensi, Transformasi fourier juga akan menghasilkan Fourier spektrum. fourier spektrum diproses melalui beberapa tahap yaitu menghitung log spektrum digunakan untuk menyesuaikan besarnya frekuensi spektrum, kemudian melakukan pergeseran (shifting) digunakan untuk melakukan pergeseran dari hasil transformasi fourier ke titik pusat spektrum. Fourier spektrum dapat memberikan informasi tentang tinggi rendah frekuensi citra.

Pembagian Data Latih dan Data Uji Seluruh data hasil ekstraksi masing-masing ciri dibagi menjadi data latih dan data uji.

Data latih digunakan sebagai input pelatihan menggunakan k-NN dan SOM sedangkan data uji digunakan untuk model hasil pelatihan menggunakan k-NN dan SOM. Prosentase data latih dan data uji yang dicobakan pada penelitian ini adalah 70%-30%.

Klasifikasi Menggunakan k-Nearest Neighbour (k-NN)

Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Untuk mencari kasus citra mana yang akan digunakan maka dihitung kedekatan kasus citra baru dengan semua kasus citra lama. Kasus citra lama dengan kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus citra baru. Pada penelitian ini parameter k yang digunakan adalah 2,3,4 dan 5.

Pelatihan (training) Menggunakan SOM Ukuran map SOM yang digunakan pada penelitian ini adalah 2x3 (Gambar 11) dan iterasi sebanyak lima puluh kali. Data input berupa citra berukuran 80x150 piksel yang akan direshape menjadi 1x12.000. Pada SOM, terdapat beberapa parameter yang dapat mempengaruhi hasil klasifikasi, di antaranya learning rate (η) dan ukuran node tetangga (hij). Penggunaan kombinasi parameter yang tepat, dapat memberikan hasil klasifikasi yang lebih efektif. Oleh karena itu, dilakukanlah proses pelatihan terhadap kedua parameter tersebut.

Pada penelitian ini parameter learning rate (η) yang digunakan adalah 0.02,0.03 dan 0.04. Untuk parameter ukuran node tetangga (hij) adalah 1. Tiap-tiap kombinasi dari kedua parameter tersebut akan digunakan dalam algoritme SOM. Hasil dari tahap pelatihan ini adalah vektor bobot akhir yang akan digunakan sebagai model clustering untuk mengelompokkan citra-citra dalam database.

Gambar 11 Ilustrasi model SOM. Node input Node

8

Pengujian (testing) Menggunakan SOM

Tahapan pengujian dilakukan dengan melakukan pengukuran kedekatan antara vektor input terhadap vektor bobot akhir yang diperoleh pada tahap pelatihan. Hasil dari pengukuran kedekatan tersebut adalah clustering vektor input ke dalam enam cluster citra, yaitu Leaf blast, Brown spot, Hawar daun bakteri, Tungro, Bercak daun dan Bercak kuning.

Evaluasi Hasil Identifikasi

Kinerja model k-NN dan SOM akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen (%), akurasi dapat dihitung dengan persamaan berikut:

(14) Akurasi terbaik dari hasil berbagai kombinasi model klasifikasi dan teknik kombinasi merupakan model yang akan dipakai untuk identifikasi penyakit pada citra daun kueri baru.

Lingkungan Pengembangan

Sistem ini dikembangkan dan diimplementasikan menggunakan perangkat keras dan perangkat lunak sebagai berikut :

1. Perangkat Keras :

a. Intel Core 2Duo @ 1.5 GHz (2 CPUs),

b. Memori 2 GB,

c. Hard Disk kapasitas 160 GB. 2. Perangkat Lunak :

a. Windows 7 sebagai sistem operasi, b. Matlab 7.7,

c. Photoshop CS 3.

HASIL DAN PEMBAHASAN

Pada penelitian ini citra hasil ekstraksi ciri akan dilakukan identifikasi menggunakan metode k-NN dan SOM.

Hasil Praproses

Pada tahap awal praproses, terlebih dahulu citra RGB diubah ke bentuk grayscale yang selanjutnya dilakukan proses cropping agar fokus pada bagian citra daun yang terkena penyakit. Agar ukuran citra untuk proses selanjutnya berukuran sama. dilakukan proses zooming. Hasil praproses data dapat dilihat pada Gambar 12.

Gambar 12 Praproses data. Ekstraksi Ciri Tekstur

Ekstraksi ciri merupakan tahapan untuk mengambil ciri-ciri yang ada pada suatu citra untuk kemudian dilakukan klasifikasi berdasarkan hasil ekstraksi. Pada penelitian ini, proses ekstraksi ciri dilakukan dengan metode fast fourier transform.

Hasil dari ekstraksi ciri tekstur tersebut akan menghasilkan spektrum fourier. Spektrum fourier yang dihasilkan kemudian dijadikan input untuk proses identifikasi menggunakan k-NN dan SOM. Hasil ekstraksi ciri data dapat dilihat pada Gambar 13.

Gambar 13 Citra asli, spektrum fouriernya. Identifikasi Penyakit

Dalam penelitian ini untuk setiap percobaan, perbandingan data latih dan data uji sebesar 70% dan 30%. Semua data latih dan uji melalui tahap ekstraksi ciri tekstur menggunakan fast fourier transform, setelah itu data latih dikelompokkan sesuai dengan kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan identifikasi menggunakan k-NN dan SOM.

Hasil Identifikasi Penyakit dengan k-NN Hasil identifikasi penyakit menggunakan k-NN dengan nilai k yang dicobakan yaitu 2,3,4 dan 5 dapat dilihat pada Gambar 14. Pada grafik tersebut terlihat akurasi tertinggi dicapai ketika k=5 sebesar 76%.

Gambar 14 Grafik tingkat akurasi untuk masing-masing nilai k.

8

Pengujian (testing) Menggunakan SOM

Tahapan pengujian dilakukan dengan melakukan pengukuran kedekatan antara vektor input terhadap vektor bobot akhir yang diperoleh pada tahap pelatihan. Hasil dari pengukuran kedekatan tersebut adalah clustering vektor input ke dalam enam cluster citra, yaitu Leaf blast, Brown spot, Hawar daun bakteri, Tungro, Bercak daun dan Bercak kuning.

Evaluasi Hasil Identifikasi

Kinerja model k-NN dan SOM akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen (%), akurasi dapat dihitung dengan persamaan berikut:

(14) Akurasi terbaik dari hasil berbagai kombinasi model klasifikasi dan teknik kombinasi merupakan model yang akan dipakai untuk identifikasi penyakit pada citra daun kueri baru.

Lingkungan Pengembangan

Sistem ini dikembangkan dan diimplementasikan menggunakan perangkat keras dan perangkat lunak sebagai berikut :

1. Perangkat Keras :

a. Intel Core 2Duo @ 1.5 GHz (2 CPUs),

b. Memori 2 GB,

c. Hard Disk kapasitas 160 GB. 2. Perangkat Lunak :

a. Windows 7 sebagai sistem operasi, b. Matlab 7.7,

c. Photoshop CS 3.

HASIL DAN PEMBAHASAN

Pada penelitian ini citra hasil ekstraksi ciri akan dilakukan identifikasi menggunakan metode k-NN dan SOM.

Hasil Praproses

Pada tahap awal praproses, terlebih dahulu citra RGB diubah ke bentuk grayscale yang selanjutnya dilakukan proses cropping agar fokus pada bagian citra daun yang terkena penyakit. Agar ukuran citra untuk proses selanjutnya berukuran sama. dilakukan proses zooming. Hasil praproses data dapat dilihat pada Gambar 12.

Gambar 12 Praproses data. Ekstraksi Ciri Tekstur

Ekstraksi ciri merupakan tahapan untuk mengambil ciri-ciri yang ada pada suatu citra untuk kemudian dilakukan klasifikasi berdasarkan hasil ekstraksi. Pada penelitian ini, proses ekstraksi ciri dilakukan dengan metode fast fourier transform.

Hasil dari ekstraksi ciri tekstur tersebut akan menghasilkan spektrum fourier. Spektrum fourier yang dihasilkan kemudian dijadikan input untuk proses identifikasi menggunakan k-NN dan SOM. Hasil ekstraksi ciri data dapat dilihat pada Gambar 13.

Gambar 13 Citra asli, spektrum fouriernya. Identifikasi Penyakit

Dalam penelitian ini untuk setiap percobaan, perbandingan data latih dan data uji sebesar 70% dan 30%. Semua data latih dan uji melalui tahap ekstraksi ciri tekstur menggunakan fast fourier transform, setelah itu data latih dikelompokkan sesuai dengan kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan identifikasi menggunakan k-NN dan SOM.

Hasil Identifikasi Penyakit dengan k-NN Hasil identifikasi penyakit menggunakan k-NN dengan nilai k yang dicobakan yaitu 2,3,4 dan 5 dapat dilihat pada Gambar 14. Pada grafik tersebut terlihat akurasi tertinggi dicapai ketika k=5 sebesar 76%.

Gambar 14 Grafik tingkat akurasi untuk masing-masing nilai k.

9

Hasil identifikasi penyakit menggunakan

k-NN dengan k=5 untuk masing-masing kelas dapat dilihat pada Gambar 15. Pada grafik tersebut terlihat bahwa akurasi terendah ada pada kelas Leaf blast sebesar 47%. Hal ini menunjukkan ada beberapa citra uji untuk kelas Leaf blast salah identifikasi atau teridentifikasi sebagai kelas lain.

Tabel 1 Perbandingan tingkat akurasi hasil identifikasi k-NN untuk setiap kelas

Kelas Akurasi

Leaf blast 47%

Brown spot 80%

Hawar daun 100%

Tungro 83%

Bercak daun 67%

Bercak kuning 77%

Gambar 15 Grafik tingkat akurasi hasil identifikasi k-NN dengan k=5.

Terdapat beberapa citra yang salah identifikasi, pada Tabel 2 ditunjukkan sebaran citra hasil identifikasi, pada tabel dapat dilihat untuk kelas Leaf blast dari tiga puluh citra uji yang berhasil teridentifikasi sebanyak empat belas citra uji, untuk enam belas citra uji lainnya teridentifikasi sebagai lima citra uji untuk kelas Brown spot, tujuh citra uji untuk kelas Hawar daun dan empat citra uji untuk kelas Bercak daun. Beberapa citra uji Leaf blast yang teridentifikasi sebagai kelas lain terjadi karena adanya kesamaan tekstur penyakit.

Tabel 2 Tingkat kesesuaian masing-masing kelas hasil identifikasi k-NN

Kelas Benar

Le Bs Hd Tr Bd Bk

Le 14 4 0 0 1 0

Bs 5 24 0 0 0 0

Hd 7 0 30 5 0 0

Tr 0 0 0 25 0 0

Bd 4 2 0 0 20 7

Bk 0 0 0 0 9 23

Jumlah 30 30 30 30 30 30

Keterangan : Le = Leaf blast Br = Brown spot Tr = Tungro Hd = Hawar daun Bd = Bercak daun Bk = Bercak kuning

Hasil Identifikasi Penyakit dengan SOM 1. Pelatihan (training) Menggunakan

SOM

Pembentukan cluster pada metode SOM merupakan hasil pelatihan dari citra latih, dari Tabel 3 terlihat pelatihan SOM menghasilkan enam cluster yaitu Leaf blast, Brown spot, Hawar daun bakteri, Tungro, Bercak daun dan Bercak kuning. Dari keenam cluster yang terbentuk, untuk cluster Leaf blast memperoleh akurasi terendah sebesar 16%, hal ini ditunjukkan pada Gambar 16.

Rendahnya akurasi Leaf blast dapat dilihat dari sebaran citra hasil identifikasi. Pada Tabel 3 dapat dilihat untuk cluster Leaf blast dari tujuh puluh citra latih yang berhasil teridentifikasi sebanyak sebelas citra latih, untuk 59 citra latih lainnya teridentifikasi sebagai empat belas citra latih Brown spot, lima citra latih Hawar daun, tiga citra latih Bercak daun dan lima belas citra latih Bercak kuning. Beberapa citra latih Leaf blast lainnya teridentifikasi sebagai cluster lain. Hal ini dikarenakan citra latih Leaf blast mempunyai kesamaan tekstur sehingga teridentifikasi sebagai cluster lain.

Tabel 3 Tingkat kesesuaian masing-masing cluster hasil pelatihan SOM

Cluster Benar Total

Le Bs Hd Tr Bd Bk

Le 11 14 5 0 3 15 48

Bs 37 53 0 0 3 3 96

Hd 0 0 41 0 8 3 52 Tr 20 0 0 69 0 0 89

Bd 22 3 4 0 44 1 74

Bk 0 0 0 0 12 49 61

Keterangan : Le = Leaf blast Br = Brown spot Tr = Tungro Hd = Hawar daun Bd = Bercak daun Bk = Bercak kuning

10

Gambar 16 Grafik tingkat akurasi hasil

pelatihan SOM.

2. Pengujian (testing) Menggunakan SOM Hasil identifikasi penyakit menggunakan SOM untuk masing-masing cluster dapat dilihat pada Gambar 17. Pada grafik tersebut terlihat bahwa akurasi terendah ada pada cluster Leaf blast sebesar 20%, sedangkan untuk cluster Tungro mencapai nilai akurasi tertinggi sebesar 87%.

Tabel 4 Perbandingan tingkat akurasi hasil identifikasi SOM untuk setiap cluster

Cluster Akurasi

Leaf blast 20%

Brown spot 73%

Hawar daun 77%

Tungro 87%

Bercak daun 37%

Bercak kuning 77%

Gambar 17 Grafik tingkat akurasi hasil identifikasi SOM.

Terdapat beberapa citra yang salah identifikasi, pada Tabel 5 ditunjukkan sebaran citra hasil identifikasi, pada tabel dapat dilihat untuk cluster Leaf blast dari tiga puluh citra uji yang berhasil teridentifikasi sebanyak enam citra uji, untuk empat belas citra uji lainnya teridentifikasi sebagai lima citra uji Brown spot, enam citra uji Hawar daun, sembilan citra uji Bercak daun dan empat citra uji Bercak kuning. Beberapa citra uji Leaf blast yang teridentifikasi sebagai cluster lain

terjadi karena adanya kesamaan tekstur penyakit.

Tabel 5 Tingkat kesesuaian masing-masing kelas hasil identifikasi SOM

Cluster Benar

Le Bs Hd Tr Bd Bk Le 6 3 0 0 6 3

Bs 5 22 0 0 2 0

Hd 6 1 23 4 4 4

Tr 0 0 4 26 0 0

Bd 9 4 3 0 11 0

Bk 4 0 0 0 7 23

Jumlah 30 30 30 30 30 30 Keterangan :

Le = Leaf blast Br = Brown spot Tr = Tungro Hd = Hawar daun Bd = Bercak daun Bk = Bercak kuning

Grafik pada Gambar 18 dapat dilihat hasil identifikasi menggunakan k-NN dan SOM, dengan tingkat akurasi yang dicapai masing-masing sebesar 76% dan 62%. Perubahan akurasi pada metode k-NN terjadi saat pengambilan k tetangga terdekat, semakin besar nilai k yang diambil, maka kemungkinan semakin besar pula kesalahan klasifikasi yang terjadi. Hal ini disebabkan selain adanya beberapa citra uji yang salah identifikasi juga dikarenakan semakin besar nilai k, maka daerah batas keputusan juga semakin lebar, sehingga mengakibatkan kemungkinan terjadi kesalahan identifikasi semakin tinggi.

Pada metode SOM Penurunan tingkat akurasi dipengaruhi oleh learning rate, sebuah konstanta yang dapat mempengaruhi cepat lambatnya sistem belajar. Analoginya sebuah konstanta untuk meloncat, jika loncatannnya terlalu besar mungkin pengenalan banyak yang terlewat, kalau loncatannya terlalu kecil mungkin pengenalannya terlalu banyak pertimbangan karena banyak hal yang ditemukan. Penentuan learning rate umumnya trial and error tergantung karakteristik data.

11

Gambar 18 Grafik tingkat akurasi hasil

identifikasi k-NN dan SOM.

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini telah melakukan perbandingan kinerja k-NN dan SOM. Hasil percobaan menunjukkan k-NN memiliki kinerja lebih baik dibanding SOM dengan akurasi mencapai 76%. Hasil penelitian ini dapat dimanfaatkan untuk membantu petani mengidentifikasi penyakit.

Saran

1. Menambahkan jumlah data citra yang lebih banyak dengan berbagai variasi tanaman sebagai koleksi data untuk data training.

2. Pengembangan selanjutnya dapat menggunakan fitur yang lain untuk mendapatkan hasil yang lebih baik.

DAFTAR PUSTAKA

Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New Jersey : John Wiley & Sons Inc.

El-Talbany M, Warda M, El-Borahy M. 2006. Mining the Classification Rules for Egyptian Rice Diseases. The International Arab Journal of Information Technology 3 (4). Egypt: Alexandria University.

Fatihagriculture. 2007. Budidaya Anthurium. http://fatihagricultureblora.com (Akses : 15 Februari 2010).

Gu, Xiao. 2005. Leaf Recognition Based on The Combination of Wavelet Transform and Gaussian Interpolation. China: Department of Automation, University of Science and Technology.

Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Fransisco : Morgan Kaufmann Publisher.

Phadikar S, Sil J. 2008. Rice Disease Identification using Pattern Recognition Techniques. International Conference on Computer and Information Technology 2 (5). India: West Bengal University of Technology.

Murni A. 1992. Pengantar Pengolahan Citra. Jakarta : Elek Media Komputindo Gramedia.

Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea : Department of Applied Physics and Electronics, Umea University.

Ramadan R. 2006. Penerapan Pohon Untuk Klasifikasi Dokumen Teks Berbahasa Inggris. Bandung : Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung. Rosyidah, Ochi. 2010.Padi (Oryza sativa)

dalam Berbagai Perspektif Masalah Global

Pertanian, (online),

http://blog.beswandjarum.com, [diakses 20 Juni 2010].

Setyo Negroho. 2005. Penerapan Metode Transformasi Fourier untuk Perbaikan Citra Digital. Balikpapan : Teknik Informatika, STIKOM Balikpapan.

Syam M et al. 2007. Masalah Lapang Hama Penyakit Hara pada Padi. Pusat Penelitian dan Pengembangan Tanaman Pangan (3). Bogor: Puslitbang Pertanian Tanaman Pangan.

11

Gambar 18 Grafik tingkat akurasi hasil

identifikasi k-NN dan SOM.

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini telah melakukan perbandingan kinerja k-NN dan SOM. Hasil percobaan menunjukkan k-NN memiliki kinerja lebih baik dibanding SOM dengan akurasi mencapai 76%. Hasil penelitian ini dapat dimanfaatkan untuk membantu petani mengidentifikasi penyakit.

Saran

1. Menambahkan jumlah data citra yang lebih banyak dengan berbagai variasi tanaman sebagai koleksi data untuk data training.

2. Pengembangan selanjutnya dapat menggunakan fitur yang lain untuk mendapatkan hasil yang lebih baik.

DAFTAR PUSTAKA

Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New Jersey : John Wiley & Sons Inc.

El-Talbany M, Warda M, El-Borahy M. 2006. Mining the Classification Rules for Egyptian Rice Diseases. The International Arab Journal of Information Technology 3 (4). Egypt: Alexandria University.

Fatihagriculture. 2007. Budidaya Anthurium. http://fatihagricultureblora.com (Akses : 15 Februari 2010).

Gu, Xiao. 2005. Leaf Recognition Based on The Combination of Wavelet Transform and Gaussian Interpolation. China: Department of Automation, University of Science and Technology.

Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Fransisco : Morgan Kaufmann Publisher.

Phadikar S, Sil J. 2008. Rice Disease Identification using Pattern Recognition Techniques. International Conference on Computer and Information Technology 2 (5). India: West Bengal University of Technology.

Murni A. 1992. Pengantar Pengolahan Citra. Jakarta : Elek Media Komputindo Gramedia.

Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea : Department of Applied Physics and Electronics, Umea University.

Ramadan R. 2006. Penerapan Pohon Untuk Klasifikasi Dokumen Teks Berbahasa Inggris. Bandung : Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung. Rosyidah, Ochi. 2010.Padi (Oryza sativa)

dalam Berbagai Perspektif Masalah Global

Pertanian, (online),

http://blog.beswandjarum.com, [diakses 20 Juni 2010].

Setyo Negroho. 2005. Penerapan Metode Transformasi Fourier untuk Perbaikan Citra Digital. Balikpapan : Teknik Informatika, STIKOM Balikpapan.

Syam M et al. 2007. Masalah Lapang Hama Penyakit Hara pada Padi. Pusat Penelitian dan Pengembangan Tanaman Pangan (3). Bogor: Puslitbang Pertanian Tanaman Pangan.

i

PENGUKURAN KINERJA

K-NEAREST NEIGHBORS

DAN

SELF

ORGANIZING MAPS

MENGGUNAKAN

FAST FOURIER TRANSFORM

UNTUK IDENTIFIKASI PENYAKIT TANAMAN

(STUDI KASUS : TANAMAN PADI DAN ANTHURIUM)

MUHAMMAD IRFANSYAH

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2011

11

Gambar 18 Grafik tingkat akurasi hasil

identifikasi k-NN dan SOM.

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini telah melakukan perbandingan kinerja k-NN dan SOM. Hasil percobaan menunjukkan k-NN memiliki kinerja lebih baik dibanding SOM dengan akurasi mencapai 76%. Hasil penelitian ini dapat dimanfaatkan untuk membantu petani mengidentifikasi penyakit.

Saran

1. Menambahkan jumlah data citra yang lebih banyak dengan berbagai variasi tanaman sebagai koleksi data untuk data training.

2. Pengembangan selanjutnya dapat menggunakan fitur yang lain untuk mendapatkan hasil yang lebih baik.

DAFTAR PUSTAKA

Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New Jersey : John Wiley & Sons Inc.

El-Talbany M, Warda M, El-Borahy M. 2006. Mining the Classification Rules for Egyptian Rice Diseases. The International Arab Journal of Information Technology 3 (4). Egypt: Alexandria University.

Fatihagriculture. 2007. Budidaya Anthurium. http://fatihagricultureblora.com (Akses : 15 Februari 2010).

Gu, Xiao. 2005. Leaf Recognition Based on The Combination of Wavelet Transform and Gaussian Interpolation. China: Department of Automation, University of Science and Technology.

Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Fransisco : Morgan Kaufmann Publisher.

Phadikar S, Sil J. 2008. Rice Disease Identification using Pattern Recognition Techniques. International Conference on Computer and Information Technology 2 (5). India: West Bengal University of Technology.

Murni A. 1992. Pengantar Pengolahan Citra. Jakarta : Elek Media Komputindo Gramedia.

Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea : Department of Applied Physics and Electronics, Umea University.

Ramadan R. 2006. Penerapan Pohon Untuk Klasifikasi Dokumen Teks Berbahasa Inggris. Bandung : Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung. Rosyidah, Ochi. 2010.Padi (Oryza sativa)

dalam Berbagai Perspektif Masalah Global

Pertanian, (online),

http://blog.beswandjarum.com, [diakses 20 Juni 2010].

Setyo Negroho. 2005. Penerapan Metode Transformasi Fourier untuk Perbaikan Citra Digital. Balikpapan : Teknik Informatika, STIKOM Balikpapan.

Syam M et al. 2007. Masalah Lapang Hama Penyakit Hara pada Padi. Pusat Penelitian dan Pengembangan Tanaman Pangan (3). Bogor: Puslitbang Pertanian Tanaman Pangan.

i

PENGUKURAN KINERJA

K-NEAREST NEIGHBORS

DAN

SELF

ORGANIZING MAPS

MENGGUNAKAN

FAST FOURIER TRANSFORM

UNTUK IDENTIFIKASI PENYAKIT TANAMAN

(STUDI KASUS : TANAMAN PADI DAN ANTHURIUM)

MUHAMMAD IRFANSYAH

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2011

iii

ABSTRACT

MUHAMMAD IRFANSYAH. The Measurement of k-Nearest Neighbors and Self Organizing Maps Using Fast Fourier Transform For Plant Identification Diseases (Case Study: Rice And Anthurium). Supervised by YENI HERDIYENI.

Plant diseases can reduce the plant sale price, resulting in losses on farmers especially in the economic field. Eradication of the diseases has been done, but determining the type of disease is still difficult. This research proposed a new study on measuring for automatically identification of plant disease based on leaf image with the input of digital image. Detection process started with feature extraction using Fast Fourier Transform and the identification process using the k-Nearest Neighbor (kNN) and Self Organizing Maps (SOM). This study, used the image which consists of six hundred pieces of images, that divided into six classes consisting of 70% for train data and 30% for test data. The experimental result showed that identification of plant disease using k-NN is better than that of SOM. The accuracy achieved 76% and 62% for k-NN and SOM respectively.

ii

PENGUKURAN KINERJA

K-NEAREST NEIGHBORS

DAN

SELF

ORGANIZING MAPS

MENGGUNAKAN

FAST FOURIER TRANSFORM

UNTUK IDENTIFIKASI PENYAKIT TANAMAN

(STUDI KASUS : TANAMAN PADI DAN ANTHURIUM)

MUHAMMAD IRFANSYAH

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

2011

iv

Judul : Pengukuran Kinerja k-Nearest Neighbors Dan Self Organizing Maps Menggunakan

Fast Fourier Transform Untuk Identifikasi Penyakit Tanaman (Studi Kasus : Tanaman Padi Dan Anthurium)

Nama : Muhammad Irfansyah NRP : G64086046

Menyetujui:

Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP. 19750923 200012 2 001

Mengetahui:

Ketua Departemen Ilmu Komputer Institut Pertanian Bogor

Dr. Ir. Sri Nurdiati, M.Sc. NIP. 19601126 198601 2 001

v

RIWAYAT HIDUP

Penulis dilahirkan di Hutaraja Sumatera Utara pada tanggal 15 Februari 1987 dari ayah Suyatno, SE dan ibu Sutasmina. Penulis merupakan putra pertama dari dua bersaudara.

Tahun 2005 penulis lulus dari MA Darul Mursyid Sumatera Utara dan pada tahun yang sama lulus seleksi masuk Diploma USU melalui jalur USMI (Undangan Seleksi Masuk USU). Tahun 2008 penulis lulus dari Diploma USU dan pada tahun yang sama diterima di Ekstensi Ilmu Komputer IPB, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.

vi

PRAKATA

Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya sehingga tugas akhir dengan judul Pengukuran Kinerja k-Nearest Neighbors Dan Self Organizing Maps Menggunakan Fast Fourier Transform Untuk Identifikasi Penyakit Tanaman (Studi Kasus : Tanaman Padi Dan Anthurium) dapat diselesaikan. Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain: 1. Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom. selaku dosen pembimbing yang telah memberikan

arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan tugas akhir ini, 2. Bapak Sony Hartono Wijaya S.Kom, M.Kom dan bapak Aziz Kustiyo S.Si, M.Kom atas

kesediaannya menjadi penguji penelitian ini,

3. Ayah, Ibu, Ade Anis, dan seluruh keluarga atas doa, dukungan dan kasih sayangnya,

4. Ayank Abi “Sri Wahdaniati”, yang telah memberi dukungan, semangat, dan setia menemani walaupun hanya dari jarak jauh,

5. Beny, Avin, Ryan, Herman, Rudi, Bang Adit sebagai rekan satu penelitian atas bantuan dari awal sampai akhir penelitian,

6. Seluruh teman-teman seperjuangan ekstensi Ilmu Komputer angkatan 3 yang tidak dapat disebutkan namanya satu-persatu.

Penulis menyadari bahwa masih banyak kekurangan dalam penelitian ini. Oleh karena itu, penulis sangat mengharapkan kritik dan saran untuk perbaikan di masa mendatang. Penulis berharap hasil dari penelitian ini dapat bermanfaat dan dapat menjadi acuan bagi penelitian berikutnya.

Bogor, Juni 2011

vii

DAFTAR ISI

Halaman DAFTAR GAMBAR ... viii DAFTAR TABEL ... viii DAFTAR LAMPIRAN ... viii PENDAHULUAN ... 1 Latar Belakang ... 1 Tujuan ... 1 Ruang Lingkup ... 1 Manfaat ... 1 TINJAUAN PUSTAKA ... 1

Jenis Tanaman ... 1 Penyakit Tanaman ... 2 Citra... 3 Algoritme Zooming ... 3 Ekstraksi Fitur ... 4 Tekstur ... 4 Fast Fourier Transform ... 4 Klasifikasi ... 5 k-Nearest Neighbour (k-NN) ... 5 Jaringan syaraf tiruan Self Organizing Maps (SOM) ... 5 Algoritme Self Organizing Map (SOM) ... 6 METODE PENELITIAN ... 6 Data ... 7 Praproses ... 7 Ekstraksi Ciri Tekstur ... 7 Pembagian Data Latih dan Data Uji ... 7 Klasifikasi Menggunakan k-Nearest Neighbour (k-NN) ... 7 Pelatihan (training) Menggunakan SOM ... 7 Pengujian (testing) Menggunakan SOM ... 8 Evaluasi Hasil Identifikasi... 8 Lingkungan Pengembangan ... 8 HASIL DAN PEMBAHASAN ... 8 Hasil Praproses ... 8 Ekstraksi Ciri Tekstur ... 8 Identifikasi Penyakit ... 8 Hasil Identifikasi Penyakit dengan k-NN ... 8 Hasil Identifikasi Penyakit dengan SOM ... 9 Pelatihan (training) Menggunakan SOM ... 9 Pengujian (testing) Menggunakan SOM ... 10 KESIMPULAN DAN SARAN ... 11 Kesimpulan ... 11 Saran ... 11 DAFTAR PUSTAKA ... 11

viii

DAFTAR GAMBAR

Halaman

1 Leaf blast. ... 2

 

2 Brown spot. ... 2

 

3 Hawar daun. ... 3

 

4 Tungro. ... 3

 

5 Bercak daun. ... 3

 

6 Bercak kuning. ... 3

 

7 Ilustrasi algoritme zooming. ... 4

 

8 Ilustrasi model kohonen. ... 5

 

9 Fungsi node tetangga gaussian. ... 6

 

10 Metode penelitian. ... 6

 

11 Ilustrasi model SOM. ... 7

 

12 Praproses data. ... 8

 

13 Citra asli, spektrum fouriernya. ... 8

 

14 Grafik tingkat akurasi untuk masing-masing nilai k. ... 8

 

15 Grafik tingkat akurasi hasil identifikasi k-NN dengan k=5. ... 9

 

16 Grafik tingkat akurasi hasil pelatihan SOM. ... 10

 

17 Grafik tingkat akurasi hasil identifikasi SOM. ... 10

 

18 Grafik tingkat akurasi hasil identifikasi k-NN dan SOM. ... 11

 

DAFTAR TABEL Halaman 1 Perbandingan tingkat akurasi hasil identifikasi k-NN untuk setiap kelas ... 9

 

2 Tingkat kesesuaian masing-masing kelas hasil identifikasi k-NN ... 9

 

3 Tingkat kesesuaian masing-masing cluster hasil pelatihan SOM ... 9

 

4 Perbandingan tingkat akurasi hasil identifikasi SOM untuk setiap cluster ... 10

 

5 Tingkat kesesuaian masing-masing kelas hasil identifikasi SOM ... 10

 

DAFTAR LAMPIRAN Halaman 1 Contoh citra yang digunakan dalam dalam masing-masing kelas ... 12

 

1

PENDAHULUAN

Latar Belakang

Serangan penyakit pada tanaman padi dan anthurium merupakan faktor pembatas pertumbuhan dan hasil. Hama dan penyakit tanaman padi dan anthurium merupakan salah satu faktor penting yang ikut menentukan berhasil atau tidaknya usaha pertanian dan budidaya tanaman hias. Gagalnya panen dan banyaknya tanaman hias yang rusak akan mempengaruhi daya jual sehingga akan mengakibatkan kerugian terutama pada bidang ekonomi. Pemberantasan hama dan penyakit sudah banyak dilakukan, namun dalam penentuan jenis penyakit masih menemukan banyak kesulitan selain proses identifikasi penyakit yang berlangsung lama. oleh karena itu, diperlukan suatu teknik untuk mendapatkan pola dari setiap ciri daun yang berpenyakit agar dapat dilakukan penglasifikasian citra dengan baik. Salah satu teknik untuk mendapatkan pola suatu citra adalah dengan melakukan ekstraksi ciri.

Penelitian sebelumnya terkait dengan identifikasi penyakit pada daun antara lain (El-Telbany et al. 2006) telah menerapkan teknik jaringan syaraf tiruan (JST) dan algoritme C4.5. Berdasarkan penelitiannya, algoritme C4.5 mampu mengurangi kesalahan menggunakan teknik pruning dan memberikan hasil yang baik dibandingkan teknik jaringan syaraf tiruan. Phadikar dan Sil (2008) melakukan identifikasi daun padi yang berpenyakit menggunakan jaringan syaraf tiruan Self Organizing Maps (SOM) dengan menerapkan segmentasi, deteksi tepi dan deteksi bintik daun pada tahap ekstraksi cirinya. Pada penelitian Gu (2005) juga melakukan identifikasi daun tetapi tidak pada daun yang terkena penyakit, identifikasi jenis daun dilakukan dengan kombinasi transformasi wavelet dan interpolasi gaussian dengan k-Nearest Neighbors (k-NN) sebagai metode klasifikasi.

Penelitian ini melakukan identifikasi

penyakit pada daun tanaman padi dan

anthurium dengan menerapkan metode Jaringan syaraf tiruan SOM, karena pada metode ini dilakukan proses pembentukan cluster data citra. Dengan adanya proses tersebut, pengukuran kemiripan untuk tipe citra kueri dilakukan hanya terhadap cluster citra yang telah terbentuk. Pada penelitian ini juga akan diterapkan metode k-NN sebagai model klasifikasi, Pemberian label jenis daun

yang berpenyakit pada setiap kelompok merupakan model pembelajaran metode ini. Adanya proses tersebut akan memudahkan sistem dalam proses identifikasi citra kueri. Penggunaan metode klasifikasi diharapkan dapat mengidentifikasi penyakit yang sudah diketahui jenisnya, sedangkan metode clustering diharapkan dapat mengidentifikasi penyakit yang belum diketahui jenis penyakitnya. Diharapkan kedua metode ini dapat mengidentifikasi citra daun yang berpenyakit sehingga memperoleh hasil yang memuaskan.

Tujuan

Penelitian ini bertujuan melakukan pengukuran kinerja k-Nearest Neighbors (k-NN) dan Self Organizing Maps (SOM) pada identifikasi penyakit padi dan anthurium. Ruang Lingkup

Data citra yang digunakan dalam penelitian ini adalah citra daun yang diperoleh dari persawahan desa Laladon dan Balai Penelitian Cipanas Bogor, Jawa barat, Indonesia. Objek citra adalah helai daun tunggal yang berasal dari tanaman padi dan anthurium. Penelitian ini difokuskan pada citra helai daun yang terkena penyakit. Manfaat

Hasil penelitian ini dapat membantu petani untuk mengidentifikasi penyakit pada tanaman padi dan anthurium dengan menggunakan komputer.

TINJAUAN PUSTAKA

Jenis Tanaman 1. Padi

Padi merupakan tanaman pangan berupa rumput berumpun. Tanaman pertanian kuno berasal dari dua benua yaitu Asia dan Afrika Barat tropis dan subtropis (Syam et al. 2007).

Klasifikasi botani tanaman padi adalah sebagai berikut:

Divisi : Spermatophyta Sub divisi : Angiospermae Kelas : Monotyledonae Keluarga : Gramineae (Poaceae) Genus : Oryza

Spesies : Oryza spp

Padi dibedakan dalam dua tipe yaitu padi kering (gogo) yang ditanam di dataran tinggi

2

dan padi sawah di dataran rendah yang

memerlukan penggenangan. 2. Anthurium

Tanaman hias secara garis besar dibagi menjadi dua kelompok utama yaitu tanaman taman (landscaped plant) dan tanaman penghias rumah (house plant). Di antara jenis tanaman hias yang banyak diminati adalah anthurium. Anthurium merupakan tanaman asli dari daerah tropis yang telah menyebar ke seluruh penjuru dunia.

Anthurium termasuk keluarga Araceae yang mempunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Tanaman berdaun indah ini masih berkerabat dengan sejumlah tanaman hias populer semacam aglonema, philodendron, keladi hias, dan alokasia. Dalam keluarga araceae, Anthurium adalah genus dengan jumlah jenis terbanyak. Diperkirakan ada sekitar seribu jenis anggota marga anthurium.

Anthurium salah satu tanaman hias indoor yang memiliki daya tarik tersendiri karena bentuk daun dan bunganya unik. Ada dua macam anthurium, yaitu anthurium daun dan anthurium bunga. Anthurium daun dinikmati karena keindahan daunnya sedangkan anthurium bunga karena keindahan bunganya (Fatihagriculture 2007).

Penyakit Tanaman

Penyakit yang menyerang tanaman padi biasanya disebabkan oleh hama dan bakteri (Syam et al. 2007), berikut adalah beberapa penyakit yang dibahas pada penelitian ini: 1. Blas (leaf blast)

Semula penyakit blas dikenal sebagai salah satu kendala utama pada padi gogo, tetapi sejak akhir 1980-an, penyakit ini juga sudah terdapat pada padi sawah beririgasi. Penyakit ini disebabkan oleh jamur pathogen Pyricularia grisae.

Penyakit blas menimbulkan dua gejala khas, yaitu blas daun dan blas leher. Blas daun merupakan bercak coklat kehitaman, berbentuk belah ketupat, dengan pusat bercak berwarna putih, sedangkan blas leher berupa bercak coklat kehitaman pada pangkal leher yang dapat mengakibatkan leher malai tidak mampu menopang malai dan patah.

Penyakit ini dikendalikan melalui penanaman varietas lahan secara bergantian untuk mengantisipasi perubahan ras blas yang

sangat cepat dan dengan cara pemupukan NPK yang tepat.

Gambar 1 Leaf blast. 2. Bercak coklat (brown spot)

Penyakit bercak coklat disebabkan oleh jamur Helmintosporium oryzae pada pertanaman bercak coklat dapat menyebabkan kematian tanaman muda dan menurunkan kualitas gabah.

Gejala yang paling umum dari penyakit ini adalah bercak berwarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada permukaan daun, pada pelepah atau pada gabah. Patogen penyakit bersifat terbawa benih (seed borne), sehingga dalam keadaan yang cocok, penyakit dapat berkembang pada tanaman yang masih sangat muda.

Penyakit dapat dikendalikan secara efektif dengan varietas tahan dan melalui pemupukan dengan 250 kg urea, 100 kg SP36, dan 100 kg KCI.

Gambar 2 Brown spot.

3. Hawar daun bakteri (bacterial leaf blight)

Hawar daun bakteri (HDB) disebabkan oleh Xanthomonas oryzae pv. Oryzae

merupakan penyakit bakteri yang tersebar luas dan menurunkan hasil sampai 36%. Penyakit terjadi pada musim hujan atau musim kemarau yang basah, terutama pada lahan sawah yang selalu tergenang, dan pemakaian pupuk N yang berlebihan (> 250 kg urea /ha).

Penyakit HDB menghasilkan dua gejala khas, yaitu kresek dan hawar. Kresek adalah gejala yang terjadi pada tanaman berumur <30 hari (pesemaian atau yang baru dipindah). Daun-daun berwarna hijau kelabu, melipat, dan menggulung. Sementara, hawar merupakan gejala yang paling umum dijumpai pada pertanaman yang telah mencapai fase tumbuh anakan sampai fase pemasakan.

Penyakit HDB secara efektif dikendalikan dengan varietas tahan, pemupukan lengkap, dan pengaturan air. Gunakan pupuk NPK dalam dosis yang tepat. Bila memungkinkan, hindari penggenangan yang terus-menerus,

3

misal satu hari digenangi dan tiga hari

dikeringkan.

Gambar 3 Hawar daun. 4. Tungro

Tungro merupakan salah satu penyakit penting pada padi sangat merusak dan tersebar luas. Di Indonesia, semula penyakit ini hanya terbatas di Sulawesi Selatan, tetapi sejak awal tahun 1980-an menyebar ke Bali, Jawa Timur, dan sekarang sudah menyebar ke hampir seluruh wilayah Indonesia. Bergantung pada saat tanaman terinfeksi, tungro dapat menyebabkan kehilangan hasil 5-70%. Makin awal tanaman terinfeksi tungro, makin besar kehilangan hasil yang ditimbulkannya.

Gejala serangan tungro yang menonjol adalah perubahan warna daun dan tanaman tumbuh kerdil. Warna daun tanaman sakit bervariasi dari sedikit menguning sampai jingga. Tingkat kekerdilan tanaman juga bervariasi dari sedikit kerdil sampai sangat kerdil. Gejala khas ini ditentukan oleh tingkat ketahanan varietas, kondisi lingkungan, dan fase tumbuh saat tanaman terinfeksi. Penyakit tungro ditularkan oleh wereng hijau.

Penyakit tungro dapat dikendalikan melalui pergiliran varietas tahan yang memiliki tetua berbeda, pengaturan waktu tanam, sanitasi dengan menghilangkan sumber tanaman sakit, dan penekanan populasi wereng hijau dengan insektisida.

Gambar 4 Tungro. 5. Bercak Daun

Pada tanaman hias anthurium, penyakit bercak daun harus diwaspadai dan biasanya sangat di takuti oleh penghobi. Daun yang terkena penyakit ini tampak kekuning-kuningan dengan bercak-bercak berwarna coklat. Bila dibiarkan, dalam jangka beberapa waktu bercak itu berubah sedikit kehitaman. Serangan itu ditengarahi karena bakteri pseudomonas cichorii dan xanthomonas campestris. Kedua bakteri tersebut hadir melalui luka di daun. Penyakit itu dapat diatasi menggunakan bakterisida berbahan aktif mancozeb.

Gambar 5 Bercak daun. 6. Bercak Kuning

Anthurium yang terserang penyakit bercak kuning umumnya sulit disembuhkan, karena penyakit ini sangat cepat menyebar ke seluruh tanaman. Mula-mula muncul noktah kecil berwarna kuning pada daun yang semakin lama semakin lebar, hingga seluruh permukaan daun anthurium tertutup warna kuning. Setelah satu daun terserang, maka daun-daun yang lain tinggal menunggu giliran, sampai semua kuning dan akhirnya tidak bisa diselamatkan.

Sampai saat ini masih belum diketahui secara pasti penyebab penyakit ini. Para hobiis menganggap penyakit ini bersifat multifaktor seperti media terlalu lembab, aliran udara tidak lancar, komposisi media kurang tepat dan kelebihan pupuk kandang.

Meski belum pasti disebabkan oleh jamur, tetapi pengendalian dengan menggunakan fungisida patut dicoba. Cara paling ekstrim yang bisa dilakukan adalah menggunduli semua daun tanaman yang terserang, lalu menyemprot dengan larutan fungisida. Anakan yang muncul nantinya diharapkan akan menjadi tanaman yang sehat.

Gambar 6 Bercak kuning. Citra

Istilah citra yang digunakan dalam bidang pengolahan citra diartikan sebagai suatu fungsi kontinu dari intensitas cahaya  

dalam bidang dua dimensi, dengan menyatakan suatu koordinat, dan nilai pada setiap titik menyatakan intensitas, tingkat kecerahan, atau derajat keabuan (Murni 1992).

Algoritme Zooming

Algoritme Zooming adalah metode yang ditujukan untuk menambah atau mengurangi jumlah pixel pada sebuah citra digital. Pixel baru didapat dengan cara mengambil informasi dari pixel tetangga yang terdekat pada image asli (Phadikar & Sil 2008).

4

Algoritme zooming sebagai berikut:

1. Langkah pertama adalah menentukan faktor skala dan

dengan adalah ukuran dari citra asli. 2. Untuk langkah kedua:

a. Semua titik pixel dari citra asli yang terletak diposisi ( ditempatkan diposisi sesuai dengan persamaan berikut:

(1)

Seperti posisi yang ditunjukkan area berwarna kuning dengan nilai gray

dan (Gambar 7).

b. Pilih baris pertama dan tentukan kolom yang akan dihitung titik pikselnya. Titik itu merupakan titik tengah. Misalkan titik itu adalah titik

(Gambar 7) yang berada di antara titik dan . Kemudian dihitung dengan menggunakan persamaan:

(2) dengan 1 dan adalah jarak antara titik ke dan titik ke .

c. Untuk menentukan nilai dari titik yang belum dihitung sebelumnya misalkan titik (Gambar 7), dihitung berdasarkan nilai rata-rata empat tetangganya. Sebagai catatan, hanya titik-titik yang nilainya telah dihitung di langkah sebelumnya yang dapat digunakan untuk menghitung nilai dari titik .

Gambar 7 Ilustrasi algoritme zooming. Ekstraksi Fitur

Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk dan

tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau pola-pola yang ada pada suatu daerah bagian citra.

Tekstur

Pada area pemrosesan citra tidak ada definisi yang jelas tentang tekstur. Hal ini disebabkan definisi tekstur yang ada didasarkan kepada metode analisis tekstur dan fitur yang diekstrak dari citra. Akan tetapi, tekstur dapat dianggap sebagai pola piksel yang berulang pada wilayah spasial dimana penambahan noise pada pola dan perulangan frekuensinya, dapat terlihat secara acak dan tidak terstruktur (Osadebey 2006).

Beberapa metode yang berbeda diusulkan untuk menghitung ciri tekstur karena tidak ada definisi matematika yang jelas tentang tekstur. Metode yang paling sering digunakan untuk mendeskripsikan ciri tekstur adalah metode berbasis statistika dan berbasis transformasi (Osadebey 2006).

Fast Fourier Transform

Secara umum, metode yang digunakan dalam pemrosesan citra digital dapat dibagi menjadi dua kelompok, yaitu metode spatial domain dan metode frequency domain. Pada metode spatial domain, pemrosesan dilakukan dengan cara memanipulasi nilai pixel dari citra tersebut secara langsung (Nugroho 2005). Pengolahan citra digital dengan metode frequency domain, informasi citra digital ditransformasikan lebih dulu dengan transformasi fourier, kemudian dilakukan manipulasi pada hasil transformasi Fourier tersebut. Setelah manipulasi selesai, dilakukan inverse transformasi fourier untuk mendapatkan informasi citra kembali. Metode frequency domain ini dapat digunakan untuk menyelesaikan masalah-masalah tertentu yang sulit jika dilakukan dengan menggunakan metode spatial domain.

Teknik perhitungan transformasi fourier diskret didefenisikan sebagai berikut :

(3)

dan

5

dengan

(4) Hasil dari perhitungan ini merupakan bilangan kompleks yang dinyatakan dengan:

(5) dengan dan adalah komponen real dan imajiner dari . Jika dipecah dalam komponen modul amplitudo dan fasa spektrum menjadi:

(6)

dengan adalah magnitude dari ,

dinyatakan dengan :

(7)

(8) Fungsi magnitude disebut juga spektrum fourier dari , dan disebut dengan sudut fase dari .

Hasil transformasi dapat ditampilkan sebagai citra, namun karena dynamic range dari spektrum fourier biasanya sangat besar, maka sebelum ditampilkan sebagai citra harus diubah menjadi:

(9) dengan adalah konstanta. Selanjutnya yang ditampilkan sebagai citra adalah nilai dari

yang memiliki dynamic range lebih kecil daripada .

Klasifikasi

Klasifikasi merupakan bentuk analisis data yang dapat digunakan untuk membangun model berdasarkan kelas data yang tersedia atau untuk memprediksi trend data selanjutnya (Han & Kamber 2006).

k-Nearest Neighbour (k-NN)

k-Nearest Neighbor (k-NN) adalah suatu metode yang menggunakan algoritme supervised dimana hasil dari query instance yang baru, diklasifikasikan berdasarkan mayoritas dari kategori pada k-NN. Tujuan dari algoritme ini adalah menglasifikasi objek baru berdasakan atribut dan training sample.

Algoritme k-NN sangatlah sederhana, bekerja berdasarkan pada jarak terpendek dari query instance ke training sample untuk menentukan k-NN nya (Ramadan 2006).

Dekat atau jauhnya tetangga tersebut biasanya dihitung berdasarkan jarak Euclidian dengan persamaan sebagai berikut:

 

(10) dengan :

: jarak data uji ke data pembelajaran. : data uji ke- , dengan = 1, 2, . . . , : data belajar ke- , dengan = 1, 2, . . . ,

Klasifikasi k-NN dilakukan dengan mencari k buah tetangga terdekat dari data uji dan memilih kelas dengan anggota terbanyak. Adapun langkah-langkah klasifikasi k-NN adalah sebagai berikut :

1. Tentukan parameter k, k merupakan jumlah tetangga terdekat.

2. Hitung jarak antara query instance dan semua sampel pelatihan.

3. Urutkan jarak dan tentukan tetangga terdekat berdasar jarak minimum k-th. 4. Kumpulkan kategori Y dari tetangga

terdekat.

5. Gunakan mayoritas kecil dari kategori tetangga terdekat sebagai nilai prediksi query instance.

Jaringan syaraf tiruan Self Organizing Maps (SOM)

Jaringan syaraf tiruan Self Organizing Maps (SOM) atau disebut juga dengan jaringan Kohonen telah banyak dimanfaatkan untuk pengenalan pola baik berupa citra, suara, dan lain-lain. Jaringan SOM sering pula digunakan untuk ekstraksi ciri (feature) pada proses awal pengenalan pola. Jaringan SOM mampu mereduksi dimensi input pola ke jumlah yang lebih sedikit sehingga pemrosesan komputer menjadi lebih hemat (Kohonen 2004).

6

Metode belajar Jaringan Syaraf Tiruan

SOM adalah belajar tanpa pengawasan (Unsupervised Learning). Bedanya dengan JST biasa pada proses belajar adalah tanpa pengawasan, dimana perubahan bobot-bobot interkoneksinya sebagai tanggapan terhadap masukan dan tanpa memerlukan jawaban targetnya. Jaringan syaraf tiruan SOM terdiri dari dua lapisan yang terhubung penuh, yaitu lapisan masukan dan lapisan kompetitif yang biasanya terbentuk dua dimensi.

Algoritme Self Organizing Map (SOM) Misalkan m adalah dimensi dari vektor input x = [x1,x2,...xm]

T

. Vektor bobot untuk node output j memiliki dimensi yang sama dengan vektor input, sehingga untuk neuron j, bobot vektor akan menjadi: wj = [wj1, wj2, …,wjm]

T

(Kohonen 2004).

Berikut ini adalah algoritme SOM, untuk setiap vektor input x:

1. Kompetisi. Dengan menggunakan fungsi jarak, hitung nilai untuk setiap node output j. Cari node pemenang j (Best matching Unit (BMU), yaitu node output yang memiliki kemiripan tertinggi dengan vektor input, dengan nilai yang meminimumkan

.

2. Kooperasi. Identifikasi seluruh node output j dalam lingkungan node pemenang j dengan menggunakan ukuran node tetangga (neighborhood function)  

.

3. Adaptasi, memperbaharui nilai bobot vektor:

(11) 4. Perbaharui learning rate (η) dan ukuran

node tetangga hij.

5. Hentikan perlakuan ketika kriteria pemberhentian telah dicapai.

Keterangan :

1. Inisialisasi nilai bobot awal biasanya menggunakan nilai tengah (middle point) atau menggunakan nilai acak.

2. Fungsi jarak menggunakan jarak euclid (Euclidean Distance)

 

(12) 3. Ukuran node tetangga (hij) digunakan

untuk mengetahui derajat keanggotaan

(degree of membership) dari node i dalam lingkungan yang berpusat pada node j. Ukuran node tetangga ini diperoleh dengan menggunakan fungsi Gaussian

(13) dengan dij merupakan jarak antara node i dan j dan parameter sebagai ‘lebar efektif’ dari lingkungan. Gambar 9 mengilustrasikan konsep dari fungsi Gaussian:

Gambar 9 Fungsi node tetangga gaussian.

4. Kriteria pemberhentian bisa berupa pembatasan jumlah iterasi, atau ketika (η) = 0

METODE PENELITIAN

Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, ekstraksi ciri, pembangunan model Jaringan syaraf tiruan Self Organizing Maps dan k-Nearest Neighbour, identifikasi penyakit dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan dalam penelitian ini dapat diilustrasikan pada Gambar 10.

7

Data

Tahap awal sebelum pemrosesan citra adalah tahap pengumpulan data. Data citra daun yang digunakan dalam penelitian ini adalah data citra daun yang diambil dari persawahan desa Laladon dan Balai Penelitian Cipanas Bogor, Jawa barat, Indonesia. Data berupa citra daun yang berpenyakit sebanyak enam ratus citra berformat JPEG yang dikelompokkan ke dalam enam kelas antara lain enam kelas penyakit padi yaitu Leaf blast, Brown spot, Hawar daun bakteri, dan Tungro, dua kelas penyakit anthurium yaitu Bercak daun dan Bercak kuning yang tersimpan dalam format JPG berukuran 80x150 piksel. Beberapa contoh citra yang digunakan dapat dilihat pada Lampiran 1. Praproses

Tahap praproses citra dilakukan untuk mempersiapkan citra yang digunakan sebelum masuk ke dalam tahap ekstraksi. Citra daun merupakan citra RGB dengan latar belakang putih, sebelum dilakukan ekstraksi ciri terlebih dahulu citra diubah ke bentuk grayscale yang selanjutnya dilakukan proses cropping agar fokus pada bagian citra daun yang terkena penyakit, kemudian dilakukan proses zooming, hal ini dimaksudkan agar ukuran citra untuk proses selanjutnya berukuran sama.

Ekstraksi Ciri Tekstur

Pada tahap ini citra grayscale hasil cropping dan zooming digunakan sebagai masukan untuk ekstraksi tekstur. Adakalanya suatu citra diubah dari satu domain ke domain lainnya, perubahan ini bertujuan untuk mempermudah pengkodean yang dikenal sebagai proses transformasi.

Transformasi Fourier akan mengubah citra dari domain spatial ke domain frekuensi, Transformasi fourier juga akan menghasilkan Fourier spektrum. fourier spektrum diproses melalui beberapa tahap yaitu menghitung log spektrum digunakan untuk menyesuaikan besarnya frekuensi spektrum, kemudian melakukan pergeseran (shifting) digunakan untuk melakukan pergeseran dari hasil transformasi fourier ke titik pusat spektrum. Fourier spektrum dapat memberikan informasi tentang tinggi rendah frekuensi citra.

Pembagian Data Latih dan Data Uji Seluruh data hasil ekstraksi masing-masing ciri dibagi menjadi data latih dan data uji.

Data latih digunakan sebagai input pelatihan menggunakan k-NN dan SOM sedangkan data uji digunakan untuk model hasil pelatihan menggunakan k-NN dan SOM. Prosentase data latih dan data uji yang dicobakan pada penelitian ini adalah 70%-30%.

Klasifikasi Menggunakan k-Nearest Neighbour (k-NN)

Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Untuk mencari kasus citra mana yang akan digunakan maka dihitung kedekatan kasus citra baru dengan semua kasus citra lama. Kasus citra lama dengan kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus citra baru. Pada penelitian ini parameter k yang digunakan adalah 2,3,4 dan 5.

Pelatihan (training) Menggunakan SOM Ukuran map SOM yang digunakan pada penelitian ini adalah 2x3 (Gambar 11) dan iterasi sebanyak lima puluh kali. Data input berupa citra berukuran 80x150 piksel yang akan direshape menjadi 1x12.000. Pada SOM, terdapat beberapa parameter yang dapat mempengaruhi hasil klasifikasi, di antaranya learning rate (η) dan ukuran node tetangga (hij). Penggunaan kombinasi parameter yang tepat, dapat memberikan hasil klasifikasi yang lebih efektif. Oleh karena itu, dilakukanlah proses pelatihan terhadap kedua parameter tersebut.

Pada penelitian ini parameter learning rate (η) yang digunakan adalah 0.02,0.03 dan 0.04. Untuk parameter ukuran node tetangga (hij) adalah 1. Tiap-tiap kombinasi dari kedua parameter tersebut akan digunakan dalam algoritme SOM. Hasil dari tahap pelatihan ini adalah vektor bobot akhir yang akan digunakan sebagai model clustering untuk mengelompokkan citra-citra dalam database.

Gambar 11 Ilustrasi model SOM. Node input Node

8

Pengujian (testing) Menggunakan SOM

Tahapan pengujian dilakukan dengan melakukan pengukuran kedekatan antara vektor input terhadap vektor bobot akhir yang diperoleh pada tahap pelatihan. Hasil dari pengukuran kedekatan tersebut adalah clustering vektor input ke dalam enam cluster citra, yaitu Leaf blast, Brown spot, Hawar daun bakteri, Tungro, Bercak daun dan Bercak kuning.

Evaluasi Hasil Identifikasi

Kinerja model k-NN dan SOM akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen (%), akurasi dapat dihitung dengan persamaan berikut:

(14) Akurasi terbaik dari hasil berbagai kombinasi model klasifikasi dan teknik kombinasi merupakan model yang akan dipakai untuk identifikasi penyakit pada citra daun kueri baru.

Lingkungan Pengembangan

Sistem ini dikembangkan dan diimplementasikan menggunakan perangkat keras dan perangkat lunak sebagai berikut :

1. Perangkat Keras :

a. Intel Core 2Duo @ 1.5 GHz (2 CPUs),

b. Memori 2 GB,

c. Hard Disk kapasitas 160 GB. 2. Perangkat Lunak :

a. Windows 7 sebagai sistem operasi, b. Matlab 7.7,

c. Photoshop CS 3.

HASIL DAN PEMBAHASAN

Pada penelitian ini citra hasil ekstraksi ciri akan dilakukan identifikasi menggunakan metode k-NN dan SOM.

Hasil Praproses

Pada tahap awal praproses, terlebih dahulu citra RGB diubah ke bentuk grayscale yang selanjutnya dilakukan proses cropping agar fokus pada bagian citra daun yang terkena penyakit. Agar ukuran citra untuk proses selanjutnya berukuran sama. dilakukan proses zooming. Hasil praproses data dapat dilihat pada Gambar 12.

Gambar 12 Praproses data. Ekstraksi Ciri Tekstur

Ekstraksi ciri merupakan tahapan untuk mengambil ciri-ciri yang ada pada suatu citra untuk kemudian dilakukan klasifikasi berdasarkan hasil ekstraksi. Pada penelitian ini, proses ekstraksi ciri dilakukan dengan metode fast fourier transform.

Hasil dari ekstraksi ciri tekstur tersebut akan menghasilkan spektrum fourier. Spektrum fourier yang dihasilkan kemudian dijadikan input untuk proses identifikasi menggunakan k-NN dan SOM. Hasil ekstraksi ciri data dapat dilihat pada Gambar 13.

Gambar 13 Citra asli, spektrum fouriernya. Identifikasi Penyakit

Dalam penelitian ini untuk setiap percobaan, perbandingan data latih dan data uji sebesar 70% dan 30%. Semua data latih dan uji melalui tahap ekstraksi ciri tekstur menggunakan fast fourier transform, setelah itu data latih dikelompokkan sesuai dengan kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan identifikasi menggunakan k-NN dan SOM.

Hasil Identifikasi Penyakit dengan k-NN Hasil identifikasi penyakit menggunakan k-NN dengan nilai k yang dicobakan yaitu 2,3,4 dan 5 dapat dilihat pada Gambar 14. Pada grafik tersebut terlihat akurasi tertinggi dicapai ketika k=5 sebesar 76%.

Gambar 14 Grafik tingkat akurasi untuk masing-masing nilai k.

14

5. Citra Becak Coklat

15

Lampiran 2 Pemodelan sistem identifikasi citra

12

LAMPIRAN

13

Lampiran 1 Contoh citra yang digunakan dalam dalam masing-masing kelas

1. Citra Leaf Blast

2. Citra Brown Spot

3. Citra Hawar daun

14

5. Citra Becak Coklat

15

Lampiran 2 Pemodelan sistem identifikasi citra