28 Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari satu
zona dengan zona yang didapatkan dari proses no 2.
Contoh : Nilai fitur Z1 = Z1Z10 = 510 = 0.5
Nilai fitur Z10 = Z10Z10 = 1010 = 1 Nilai fitur Z15 = Z15Z10 = 310 = 0.3
Dari ekstraksi zoning didapatkan 54 nilai fitur yang mewakili setiap zona. Zona yang memiliki tingkat kehitaman paling tinggi yang akan digunakan sebagai nilai untuk
ekstarksi fitur.
3.2.4 Klasifikasi dan Identifikasi
Klasifikasi dan identifikasi pada aplikasi ini menggunakan metode Support Vector Machine. Tujuan dari metode ini adalah untuk mengklasifikasikan objek citra daun
kelapa sawit yang baru berdasarkan data training.
3.2.4.1 Data
Data yang digunakan dalam aplikasi dibagi menjadi tiga yaitu data masukan, data proses dan data keluaran. Data masukan merupakan citra masukan yang diberikan
oleh pengguna untuk dilakukan proses pelatihan maupun proses pengujian pada aplikasi. Data proses adalah data citra yang diperoleh ketika aplikasi dijalankan. Data
keluaran adalah citra hasil akhir yang akan ditampilkan kepada pengguna.
3.2.4.2 Data Masukan
Data masukan yang digunakan adalah data citra original daun kelapa sawit yang mempunyai resolusi 4272 x 2848 pixel. Citra daun yang digunakan yang didiagnosa
memiliki penyakit efek ulat api dan ulat kantong. Pada penelitian ini diperoleh 10 data citra daun kelapa sawit dimana 10 citra efek hama ulat api dan 10 citra efek hama ulat
29 kantong pada citra latih Pada pengujian,pada pengujian aplikasi digunakan 10 citra
dimana 5 citra efek ulat api dan 5 citra efek ulat kantong .
3.2.4.3 Data Proses
Data proses adalah data citra yang diperoleh ketika aplikasi dijalankan. Tahapan utama dalam memperoleh data proses adalah preprocessing citra daun kelapa sawit,
feature extraction, klasifikasi dan identifikasi. Tahapan preprocessing citra daun kelapa sawit terdiri dari tahapan proses image enhancement dan image segmentation.
Tahapan proses image enhancement terdiri dari resizing, grayscale, binarisasi dan thinning. Sedangkan, pada tahapan proses image segmentation yaitu sobel operator.
3.2.4.4 Data Keluaran
Data keluaran dari aplikasi adalah . Citra akhir merupakan citra yang telah diidentifikasi berdasarkan jenis penyakit daun kelapa sawit efek hama ulat api dan
ulat kantong beserta informasi tingkat kecocokan dan nama penyakit dari citra yang telah diproses
3.2.4.5 Support Vector Machine
Aplikasi identifikasi jenis penyakit daun kelapa sawit ini menggunakan metode support vector machine yang bertujuan untuk mengklasifikasikan jenis penyakit daun
kelapa sawit efek hama ulat api dan ulat kantong. Alur dari metode SVM yang diimplementasikan pada aplikasi identifikasi jenis
penyakit daun kelapa sawit dapat dilihat pada gambar 3.9
30
Start H = kernel x
C = -ones n,1
α = 0 Vvb = onesn,1
Vlb = zeros n,1
X0 = zeros n,1 A =
y’ ; b = 0
α = quadprog H, c, [], [], A, b, vlb, vvb, x0 w2 =
α H α ; No
yes For i = 1 : n
For j = 1 : n H i,j = yiyjHi.j
A A
Gambar 3.9
Flowchart Metode Support Vector Machine.
31
α ϵ Svi
Nsv = panjang svi b0 = 0
b0 = 1length svii svm ysvii - H svii, svi
α svi y svii ;
Finish Error
svii = find α ϵ α c - ϵ ;
If panjang svii 0 If tbias == 0
No Yes
Yes
B
Gambar 3.9 Flowchart Metode Support Vector Machine lanjutan.
Keterangan gambar : 1.
Bangun H dengan menggunakan system kernel 2.
Hitung nilai c dengan fungsi c = -onesn,1 untuk mengeset batas 3.
Jika alpha = 0 hitung vlb dengan menggunakan fungsi vlb = zerosn,1 4.
Jika tidak set vvb = c onesn,1 5.
Set fungsi paramaeter x0 = zerosn,1 6.
Hitung nilai quadratic programming dengan menggunakan rumus12 Hx + f’x
7. Hitung nilai w2 dengan perhitungan w2 = alpha H alpha
8. Hitung nomor dari support vector
Svi = find alpha epsilon Nsv = panjangsvi
32 9.
Hitung nilai rata” dari svm margin Svii = findalpha epsilon alpha c
– epsilon Jika panjang svii 0 Maka bo = 1 length svii sum y svii
– H svii,svi alpha svi ysvii
10. Jika panjang svii tidak lebih besar dari 0
Maka ulangi langkah 9
3.2.5 Perancangan Aplikasi
