Sade: aplikasi android penduga spectral reflectance menggunakan metode wiener estimation untuk menduga usia daun sambiloto

SADE: APLIKASI ANDROID PENDUGA SPECTRAL REFLECTANCE
MENGGUNAKAN METODE WIENER ESTIMATION UNTUK
MENDUGA USIA DAUN SAMBILOTO

M. RAKE LINGGAR ANGGORO

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul SADE: Aplikasi
Android Penduga Spectral Reflectance Menggunakan Metode Wiener Estimation
Untuk Menduga Usia Daun Sambiloto adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan
tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang
diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks
dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2014
M. Rake Linggar Anggoro
NIM G64100098

ABSTRAK
M. RAKE LINGGAR ANGGORO. SADE: Aplikasi Android Penduga Spectral
Reflectance Menggunakan Metode Wiener Estimation Untuk Menduga Usia Daun
Sambiloto. Dibimbing oleh YENI HERDIYENI.
Pada penelitian ini diajukan sebuah aplikasi Android untuk mengestimasi
usia daun sambiloto (Andrographis paniculata) dari spektrum reflektan yang
sudah diestimasi menggunakan Wiener estimation. Wiener estimation merupakan
suatu metode konvensional untuk mengestimasi data berdimensi tinggi dari data
berdimensi rendah, contohnya dari kamera tiga channel (RGB) ke spektrum
reflektan. Penelitian ini menggunakan dataset yang terdiri atas 97 standar warna,
15 daun sambiloto, dan kombinasinya. Nilai RMSE dan GFC digunakan untuk
mengevaluasi dataset mana yang paling bagus digunakan dalam metode Wiener
estimation. Hasil penelitian menunjukkan bahwa dataset 15 daun sambiloto dan
orde polynomial kedua menghasilkan spektrum reflektan terekonstruksi yang

terbaik. Nilai RMSE dan GFC dari dataset ini adalah 3.57 dan 0.99. Akurasi
identifikasi usia daun sambiloto dengan menggunakan PNN sebesar 65%. Hasil
dari penelitian ini dapat digunakan oleh masyarakat untuk mengetahui kualitas
daun tanaman obat berdasarkan usianya.
Kata kunci: Android, daun sambiloto, reflektan, usia, Wiener estimation

ABSTRACT
M. RAKE LINGGAR ANGGORO. SADE: Android Spectral Reflectance
Estimator Application Using Wiener Estimation to Estimate Sambiloto Leaf’s
Age. Supervised by YENI HERDIYENI.
This research proposes an Android application to estimate sambiloto
(Andrographis paniculata) leaf’s age from its estimated spectral reflectance using
Wiener estimation. Wiener estimation is a conventional method to estimate highdimensional data from low-dimensional data, for example, from three-channel
image (RGB) to spectral reflectance. In the experiment we used datasets
consisting of 97 standard colors, 15 samboloto leaves, and their combination. The
experimental results show that the 15 sambiloto leaves dataset and second
polynomial order gives the best reconstructed spectral reflectance. The RMSE and
GFC of this dataset are 3.57 and 0.99. We use Probabilistic Neural Network for
classifying the leaf’s age from its reconstructed spectral reflectance. The accuracy
for identifying the sambiloto leaf’s age using PNN is 65%. Results of this

research can be used by the public to know about the quality of medicinal plant’s
leaf based on the leaf’s age.
Keywords: age, Android, sambiloto leaf, reflectance estimation, Wiener
estimation

SADE: APLIKASI ANDROID PENDUGA SPECTRAL
REFLECTANCE MENGGUNAKAN METODE WIENER
ESTIMATION UNTUK MENDUGA USIA DAUN SAMBILOTO

M. RAKE LINGGAR ANGGORO

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

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

BOGOR
2014

Judul Skripsi : SADE: Aplikasi Android Penduga Spectral Reflectance
Menggunakan Metode Wiener Estimation Untuk Menduga Usia
Daun Sambiloto
Nama
: M. Rake Linggar Anggoro
NIM
: G64100098

Disetujui oleh

Dr Yeni Herdiyeni SSi MKom
Pembimbing I

Diketahui oleh

Dr Ir Agus Buono MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2014 ini ialah
reflectance, dengan judul SADE: Aplikasi Android Penduga Spectral Reflectance
Menggunakan Metode Wiener Estimation Untuk Menduga Usia Daun Sambiloto.
Terima kasih penulis ucapkan kepada pihak-pihak yang telah membantu
dalam penyelesaian tugas akhir ini, yaitu:
1. Abah dan Umi yang selalu memberikan dukungan kepada penulis dalam
mengerjakan tugas akhir ini.
2. Ibu Dr Yeni Herdiyeni SSi MKom selaku dosen pembimbing yang telah
memberikan arahan dan bimbingan kepada penulis dalam
menyelesaikan tugas akhir.
3. Teman-teman sebimbingan Kak Dhieka, Kak Maryan, dan Pak Ghede
atas bantuan, saran, masukan, dan nasihat yang diberikan kepada
penulis.
4. Lolyta Nur Atika yang telah memberikan motivasi dan bantuan yang

diberikan kepada penulis, khususnya dalam pengambilan dan
pengolahan data.
5. Teman-teman sekelompok Program Kreatifitas Mahasiswa Agisha dan
Alfandio atas bantuan yang diberikan kepada penulis.
6. Dosen-dosen Ilmu Komputer yang telah memberikan ilmu kepada
penulis.
7. Rekan-rekan mahasiswa Ilmu Komputer yang telah memberikan
semangat, bantuan dan motivasi kepada penulis yang telah diberikan
kepada penulis
Semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2014
M. Rake Linggar A.

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

3

Ruang Lingkup Penelitian

3

TINJAUAN PUSTAKA

3

Reflectance

3

Wiener Estimation

3

Probabilistic Neural Network

5

METODE

6

Data Penelitian

6

Tahapan Penelitian

8

Pemindahan Platform

9

Pemilihan Dataset Baru untuk Pembuatan Model Transformasi

9

Basis Data Citra

10

Praproses

10

Ekstraksi Ciri

10

Klasifikasi dengan Probabilistic Neural Network

10

Evaluasi

11

Lingkungan Pengembangan

11

HASIL DAN PEMBAHASAN

11

Pengumpulan Data

11

Pemindahan Platform

12

Pemilihan Dataset Baru untuk Pembuatan Model Transformasi

12

Model Klasifikasi Citra

15

Evaluasi

16

Implementasi Sistem
SIMPULAN DAN SARAN

16
18

Simpulan

18

Saran

18

DAFTAR PUSTAKA

19

LAMPIRAN

21

RIWAYAT HIDUP

28

DAFTAR TABEL
1
2
3
4
5
6

Model polynomial
Set data penelitian
Perbandingan nilai RMSE dan GFC dataset
Akurasi identifikasi usia sebanyak 5 fold
Hasil klasifikasi usia daun sambiloto pada fold 3
Akurasi identifikasi usia daun sambiloto

4
7
12
15
16
16

DAFTAR GAMBAR
1 Struktur PNN
2 Ilustrasi pengambilan foto daun sambiloto (a) Penelitian Azizah (2013)
dan (b) Penelitian SADE
3 Ilustrasi pengambilan nilai reflektan (a) Penelitian Azizah (2013) dan
(b) Penelitian SADE
4 Alur client server dari mobile application
5 Metode penelitian estimasi usia daun sambiloto menggunakan Wiener
estimation
6 Perbandingan spektrum reflektan asli dan terekonstruksi
7 Nilai spektrum rekontruksi daun sambiloto 1.5 dan 3.5 bulan
8 Image histogram data citra model klasifikasi dalam (a) Channel R (b)
Channel G (c) Channel B
9 Antarmuka sistem (a) Halaman utama (b) Pilihan sumber citra (c)
Halaman hasil estimasi usia (d) Halaman hasil estimasi reflektan

6
7
8
8
9
13
14
15
17

DAFTAR LAMPIRAN
1 Perbandingan rata-rata RMSE dan GFC hasil estimasi reflektan dari
sistem platform desktop dan mobile
2 Nilai eror dataset
3 Nilai fitness dataset
4 Citra daun sambiloto usia 3.5 bulan
5 Citra daun sambiloto usia 1.5 bulan
6 Data citra daun sambiloto 1.5 bulan untuk klasifikasi PNN
7 Data citra daun sambiloto 3.5 bulan untuk klasifikasi PNN

20
21
22
23
24
25
26

PENDAHULUAN
Latar Belakang
Penggunaan tanaman obat telah lama dikenal masyarakat Indonesia, bahkan
sebelum pelayanan kesehatan menggunakan obat sintetik. Peningkatan
penggunaan obat-obatan tersebut berbanding lurus terhadap peningkatan
kesadaran masyarakat terhadap dampak negatif dari penggunaan obat sintetik.
Masyarakat kembali memilih tumbuhan obat sebagai alternatif terhadap
penyembuhan berbagai penyakit. Hal ini dikarenakan efek samping yang
ditimbulkan tanaman obat lebih kecil, dan dari sisi biaya juga juga lebih
menguntungkan (Fatmawati 2008).
Salah satu tumbuhan obat yang biasa digunakan oleh masyarakat Indonesia
adalah daun sambiloto. Khasiat sambiloto sebagai salah satu obat tradisional
sudah dikenal luas sejak zaman dahulu, bahkan oleh bangsa-bangsa di dunia
selain di Indonesia. Badan Pengawas Obat dan Makanan (BPOM) telah
menetapkan sambiloto sebagai salah satu tanaman obat unggulan di Indonesia.
Beberapa khasiat tanaman sambiloto yang cukup bagus dan sudah diketahui
adalah kemampuannya dalam menghancurkan inti sel kanker, menurunkan kadar
glukosa dalam darah, antiradang, dan masih banyak lagi (Ivan dan Lukito 2003).
Agar membuat obat herbal berkualitas dari daun sambiloto, maka perlu
dilakukan metode kendali mutu agar kesalahan-kesalahan dalam pembuatan,
seperti berkurangnya khasiat tanaman, terminimalisir. Proses penentuan mutu
tanaman obat biasanya mengandalkan uji lab kimia. Contoh uji lab kimia ini
adalah metode High Performance Liquid Chromatography (HPLC), Thin Layer
Chromatography (TLC), dan Gas Chromatography (GC) (Singh et al. 2010).
Akan tetapi kekurangan dari uji lab kimia ini adalah adanya resiko merusak
sampel tanaman obat (bersifat destructive). Selain dari itu, waktu pemrosesan
yang cukup lama dan biaya yang diperlukan cukup mahal (Mao dan Xu 2006).
Untuk mengatasi masalah tersebut, dibutuhkan teknik lain yang lebih efisien
dalam melakukan kendali mutu tanaman obat.
Singh et al. (2010) telah menerapkan kendali mutu dengan teknik
spektroskopi Fourier Transform Infrared Spectroscopy (FTIR) dan Principal
Component Analysis (PCA). Hasilnya adalah teknik spektroskopi dan metode
statistik dapat menjadi alternatif dalam kendali mutu tanaman obat. Penelitian
terkait lain yang relative lebih sederhana dan efisien dilakukan dengan
pemrosesan citra digital (Azizah 2013).
Azizah (2013) memperkenalkan cara untuk mengendalikan mutu tanaman
obat sambiloto menggunakan usia daunnya. Ini dilakukan dengan mempraktikkan
suatu metode untuk menduga usia daun sambiloto berdasarkan kecerahan warna
daun. Umumnya, daun yang berusia muda berwarna muda atau lebih terang,
sedangkan daun yang berusia tua berwarna lebih gelap. Warna daun dapat
menentukan nilai reflektan berdasarkan nilai RGB-nya. Metode yang digunakan
Azizah (2013) untuk menentukan nilai reflektan daun tersebut adalah Wiener
estimation. Metode ini merupakan metode untuk mengestimasi data berdimensi
rendah ke dimensi tinggi (Stigell et al. 2007). Metode ini merupakan metode yang
konvensional, namun sederhana, cukup akurat dan populer dalam hal estimasi

2
spektrum reflektan (Yoo et al. 2013). Contoh penelitian yang menggunakan
Wiener estimation pada citra digital untuk mengestimasi spektrum reflektan
adalah penelitian Shatilova (2008).
Azizah (2013) membangun suatu sistem menggunakan metode Wiener
estimation untuk menduga nilai reflektan berdasarkan warna citra digital daun
sambiloto (Andrographis paniculata). Nilai reflektan tersebut nantinya dapat
menjadi indikator kualitas tanaman obat berdasarkan usia daun. Berdasarkan hasil
penelitiannya, transformasi Wiener dengan menggunakan orde 2 memberikan
hasil estimasi yang terbaik. PNN digunakan untuk mengklasifikasi usia sambiloto
berdasarkan nilai reflektan terekonstruksi. Hasil penelitiannya menunjukkan
akurasi identifikasi usia daun sambiloto sebesar 73.61%. Akan tetapi kekurangan
dari penelitian tersebut adalah sistem yang dibuat tidak dapat digunakan secara
luas karena pembangunan sistem menggunakan MATLAB. Selain dari itu,
pengambilan data digital pada penelitian Azizah (2013) menggunakan box karton
yang diberi sinar tungsten. Hal ini menyebabkan data yang digunakan kurang
representatif dengan kondisi lapangan.
Pada penelitian ini, dilakukan pembuatan aplikasi mobile phone berbasis
Android dengan menerapkan metode Wiener estimation untuk menduga nilai
reflektan berdasarkan warna citra digital daun sambiloto. Dengan sistem yang
berbasis mobile phone, maka kekurangan dari uji lab dan dari penelitian Azizah
dapat terhindar. Karena sistem ini menganalisis mutu tanaman sambiloto dengan
memproses citra daunnya, maka risiko rusaknya sampel tanaman obat dapat
terhindar (tidak bersifat destructive). Dari segi biaya juga bisa lebih hemat karena
tidak memerlukan peralatan-peralatan yang kompleks dan mahal. Basis Android
dipilih karena selain jumlah penggunanya yang semakin meningkat pesat,
pengembangannya berisfat open source, sehingga dapat digunakan secara luas.

Perumusan Masalah
Bertitik tolak dari latar belakang yang telah diuraikan, dapat dirumuskan
permasalahan sebagai berikut:
1. Bagaimana membangun aplikasi berbasis mobile untuk menduga nilai
reflektan dan usia daun sambiloto?
2. Bagaimana cara meningkatkan kualitas estimasi nilai reflektan
berdasarkan warna citra digital menggunakan Wiener estimation?
3. Bagaimana cara pengambilan data yang dapat merepresentasikan kondisi
lapangan dan mendukung mobilitas sistem?
Tujuan Penelitian
Tujuan penelitian ini ialah membangun aplikasi mobile berbasis Android
penduga spektrum reflektan menggunakan Wiener estimation untuk menduga usia
daun sambiloto.

3
Manfaat Penelitian
Manfaat penelitian ini adalah membantu masyarakat untuk mengetahui
mutu tanaman obat secara lebih efisien dengan melihat usia daun tanaman.

Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian kali ini adalah:
1. Data citra daun sambiloto (Andrographis paniculata) dengan mutu umur
berbeda (1.5 dan 3.5 bulan) yang diambil dari Kebun Biofarmaka IPB
menggunakan kamera 5 MP dalam kondisi normal.
2. Data reflektan dan citra daun sambiloto yang diambil menggunakan
Spektrofotometer UV-Vis fiber optik USB 2000, Lampu tungsten 12 V
100 W MHF –M1002.
3. Metode klasifikasi menggunakan Probabilistic Neural Network (PNN).

TINJAUAN PUSTAKA
Reflectance
Reflectance merupakan ukuran dari proporsi cahaya atau radiasi lain
mengenai suatu permukaan dan terpantul dari permukaan tersebut. Sementara
definisi dari spektrum reflektan adalah reflektan yang diukur pada panjang
gelombang tertentu. Spektrum reflektan ini dapat digunakan sebagai penciri dari
objek yang memantulkan sumber radiasi tersebut (CRIPS 2001).
Wiener Estimation
Wiener estimation merupakan suatu teknik yang digunakan untuk
menduga data berdimensi rendah menjadi data berdimensi tinggi, contohnya, dari
kamera tiga channel (RGB) menjadi spektrum reflektan. Teknik ini merupakan
teknik konvensional yang cukup sederhana dan menghasilkan estimasi yang
cukup akurat (Yoo et al. 2013). Hasil estimasi reflektan dari suatu citra dapat
dicari dengan menggunakan persamaan (1) (Stigell et al. 2007).
dengan
G
rest

rest = GX

(1)

= matriks transformasi,
= matriks spektrum reflektan yang terdiri atas banyaknya sampel
(l) dan banyak channel spektrum (n),
X
= matriks RGB dari kamera.
Matriks transformasi G secara eksplisit dapat direpresentasikan
menggunakan persamaan (2).

4
(2)

G = RrvR-1vv

Rrv dan Rvv merupakan matriks korelasi dan auto korelasi. Matriks Rrv dan
Rvv dapat didefinisikan menggunakan persamaan (3).
Rrv = , Rvv =

(3)

dengan r adalah vektor kolom yang menyatakan nilai spektrum reflektan
satu piksel pada citra dan v adalah vektor kolom dengan elemen RGB.
Data spectral citra (rest) diperhitungkan menggunakan vektor v, yang
merupakan matriks RGB dari kamera, atau bisa juga dengan vektor v yang
mengikutsertakan nilai-nilai pixel berorde, atau dengan term, lebih tinggi. Vektor
v yang demikian dapat dihitung menggunaka model polynomial. Model
polynomial yang digunakan pada penelitian Azizah (2013) adalah sebagai berikut.
Tabel 1 Model polynomial
Orde

Terms

Model polynomial

1

3

RGB

2

7

R G B R2 G2 B2 RGB

3

10

R G B R2 G2 B2 RG RB GB RGB

Galat yang dihasilkan oleh metode Wiener estimation dapat dihitung
menggunakan root-mean-square-error (RMSE). Perhitungan RMSE dapat
dilakukan menggunakan persamaan (4).
∑ni=

RMSE= √

s i - s̆i
n

(4)

dengan
s
= spektrum original
�̆
= spektrum rekonstruksi
n
= banyaknya channel spektrum
Nilai RMSE digunakan sebagai salah satu faktor pertimbangan untuk
menentukan data latih yang paling cocok digunakan sebagai matriks transformasi.
Selain dari galat, faktor pertimbangan lain yang digunakan untuk menentukan data
latih terbaik adalah ukuran kemiripan pola antara spektrum rekonstruksi dengan
spektrum original. Ukuran kemiripan dapat dicari menggunakan non centered
correlation coefficient, atau lebih dikenal dengan istilah Goodness-of-Fit
Coefficient (GFC). Nilai GFC dapat dihitung dengan persamaan (5) (Mansouri et
al. 2008).

GFC=

|∑j R m (λj )R r λj |

|∑j[R m λj ] |

/

∑j[R r λj ]

/

(5)

5
dengan
λj
= panjang gelombang ke-j.
�� �� = spektrum original pada panjang gelombang λj
�� �� = spektrum rekonstruksi pada panjang gelombang λj
Nilai GFC berada antara nilai 0 dan 1, dimana nilai 1 mengindikasikan
rekonstruksi yang sempurna. Secara umum, interpretasi nilai GFC yang pernah
dilakukan dibagi menjadi tiga kategori rekonstruksi spektrum yaitu GFC ≥
0.9999 berarti secara matematika hampir serupa, 0.999 ≤ GFC < 0.9999 Very
Good, 0.99 ≤ GFC < 0.999 Acceptable (Romero et al. 1997).
Probabilistic Neural Network
Probabilistic Neural Netowork berasal dari Radial Basis Function (RBF)
Network yang merupakan JST (Jaringan Saraf Tiruan) menggunakan RBF. RBF
adalah fungsi berbentuk seperti bel yang menskalakan variabel nonlinear. Salah
satu keuntungan utama dari PNN adalah pelatihannya gampang dan cepat, selain
dari itu strukturnya pun sederhana (Wu et al 2007).
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan
pola, lapisan penjumlahan, dan lapisan keputusan. Struktur PNN dapat dilihat
pada Gambar 1. Penjelasan dari lapisan-lapisan ini adalah sebagai berikut:
1. Lapisan masukan
Lapisan ini memasukkan input x yang terdiri atas n nilai yang akan
diklasifikasikan pada satu dari k kelas.
2. Lapisan pola
Pada lapisan ini dilakukan perhitungan jarak antara input x dan vektor
bobot xij, yaitu Zi=x-xij , simbol minus menunjukkan jarak antara vektor. Zi
kemudian bisa dibagi dengan bias tertentu σ dan selanjutnya dimasukkan
ke dalam fungsi Parzen, yaitu g(x) = exp(-x). Dengan demikian,
persamaan yang digunakan pada lapisan pola adalah sebagai berikut:

g x =exp -

T

(x-xAi ) (x-xAi )
σ

(6)

dengan xAi menyatakan vektor latih kelas ke-A urutan ke-i.
3. Lapisan penjumlahan
Pada lapisan penjumlahan, setiap pola pada masing-masing kelas
dijumlahkan sehingga dihasilkan probability density function untuk setiap
kelas. Persamaan yang digunakan pada lapisan ini adalah:
p ωA p x|ωA =
dengan

p(ωA)
p(x|ωA)
xAi

1

k

2π 2 σk NA

∑N
i=1 exp -

T

(x-xAi ) (x-xAi )
σ

(10)

= peluang kelas A
= peluang bersyarat x jika masuk ke dalam kelas A
= vektor latih kelas A urutan ke-i

6
k
= dimensi vektor input
NA
= jumlah data latih kelas A
σ
= bias atau faktor pemulus
4. Lapisan keputusan
Pada lapisan keluaran, input x akan diklasifikasikan ke kelas A jika
nilai pA(x) paling besar dibandingkan dengan kelas lainnya.

Gambar 1 Struktur PNN

METODE
Data Penelitian
Data yang digunakan pada penelitian ini terdiri atas data penelitian Azizah
(2013) dan daun-daun sambiloto yang ditanam hingga tiga bulan beserta nilai
reflektannya. Data penelitian Azizah (2013) yang digunakan dalam penelitian ini
adalah data citra daun sambiloto, data-data nilai reflektan dan RGB citra daun
sambiloto. Citra daun sambiloto (Andrographis paniculata) yang digunakan
adalah citra daun dengan mutu umur berbeda (1, 2, dan 3 bulan). Data nilainilai reflektan yang digunakan pada penelitian ini adalah nilai-nilai reflektan dari
empat dataset berbeda. Dataset-dataset ini dapat dilihat pada Tabel 2. Sementara
data nilai-nilai RGB yang digunakan adalah rata-rata nilai RGB dari datasetdataset Tabel 2.

7
Tabel 2 Set data penelitian
No.
1
2
3

Dataset
97 standar warna
15 daun sambiloto
97 standar warna dan 15 daun sambiloto

Dataset 97 standar warna didapatkan dari penelitian Azizah (2013). Untuk
15 daun sambiloto dilakukan penanaman bibit terlebih dahulu. Tanaman sambiloto
akan ditanam di Kebun Pusat Studi Biofarmaka Bogor hingga usia daun mencapai
maksimal sekitar tiga setengah bulan. Ketika daun sambiloto sudah siap untuk
dijadikan data uji, maka akan diambil foto untuk mendapatkan nilai RGB-nya,
serta nilai reflektannya. Pengambilan foto daun sambiloto dalam penelitian ini
berbeda dari penelitian Azizah (2013). Dalam penelitian Azizah (2013), daun
diletakkan ke dalam box kardus yang diberikan sinar cahaya tungsten untuk
menyerupai sinar matahari. Akan tetapi dalam penelitian ini, foto daun akan
diambil di lapangan dengan kondisi sinar normal tanpa dicabut dari tanaman.
Daun akan diusahakan diletakkan dalam posisi dan kondisi sehingga citra daun
yang didapatkan jelas dan tanpa noise. Ilustrasi perbandingan pengambilan foto
daun sambilto dalam penelitian ini dan Azizah (2013) dapat dilihat pada Gambar
2.
Setelah foto daun sambiloto diambil, maka daun akan dibawa ke
Laboratorium Spektroskopi Departemen Fisika, Institut Pertanian Bogor untuk
diambil nilai reflektannya. Alat yang digunakan untuk mengambil nilai reflektan
daun adalah Spektrofotometer UV-Vis fiber optik USB 2000, dengan kertas putih
sebagai alat kalibrasi. Daun yang akan dijadikan data uji harus diketahui usia
pastinya. Titik-titik pengambilan nilai reflektan pada penelitian ini berbeda dari
penelitian sebelumnya. Pada penelitian sebelumnya, titik-titik pengambilan nilai
reflektan berada di bawah tulang daun dan saling berdekatan. Akan tetapi pada
penelitian ini, nilai reflektan diambil dari pangkal daun bagian kanan hingga
ujung daun kanan, kemudian dilanjutkan dari ujung kiri hingga pangkal daun
bagian kiri. Hal ini diharapkan dapat memperoleh informasi nilai-nilai reflektan
daun secara keseluruhan, tidak hanya satu area saja. Ilustrasi perbandingan
pengambilan nilai reflektan dapat dilihat pada Gambar 34.

Gambar 2 Ilustrasi pengambilan foto daun sambiloto (a)
Penelitian Azizah (2013) dan (b) Penelitian SADE

8

Gambar 3 Ilustrasi pengambilan nilai reflektan (a)
Penelitian Azizah (2013) dan (b) Penelitian
SADE
Tahapan Penelitian
Estimasi usia daun sambiloto menggunakan metode Wiener estimation
dikembangkan pada dua platform, yaitu desktop dan mobile. Sistem pada platform
desktop sudah dibangun oleh Azizah (2013). Penelitian ini berfokus pada
pembangunan sistem pada platform mobile. Pembuatan aplikasi mobile untuk
estimasi usia daun sambiloto bekerja pada mobile device (client) dan server. Pada
sisi client, citra kueri diperoleh dari kamera ponsel atau citra yang disimpan pada
gallery ponsel. Citra kueri kemudian akan dikirimkan ke server melalui jaringan
internet untuk dilakukan proses identifikasi. Hasil dari proses identifikasi akan
ditampilkan pada sisi client. Gambar 4 menunjukkan alur kerja client server dari
sistem aplikasi mobile.

Gambar 4 Alur client server dari mobile application
Pada sisi client hanya dilakukan pemilihan citra daun yang akan diproses.
Citra bisa diakuisisi langsung menggunakan kamera ponsel atau diambil dari
gallery ponsel. Setelah dipilih, pengguna juga bisa melakukan crop citra untuk
mengambil daerah tertentu saja dan meningkatkan akurasi. Setelah itu citra
dikirim ke server melalui jaringan internet. Hasil klasifikasi yang dilakukan di
server akan ditampilkan pada layar ponsel.
Pada sisi server, pemrosesan dibagi menjadi dua bagian, yaitu pelatihan
data citra dan identifikasi usia. Pelatihan data citra akan menghasilkan model
klasifikasi dari ekstraksi ciri basis data citra yang ada. Model klasifikasi tersebut

9
akan digunakan pada proses identifikasi usia untuk klasifikasi usia daun
sambiloto. Gambar 5 menunjukkan metode penelitian sistem estimasi usia daun
sambiloto menggunakan Wiener estimation pada desktop, server, dan mobile
device (client).

Gambar 5 Metode penelitian estimasi usia daun sambiloto menggunakan Wiener
estimation

Pemindahan Platform
Tahap pertama yang dilakukan dalam penelitian ini adalah memindahkan
sistem dari platform desktop ke mobile platform. Source code pada platform
desktop akan dikonversi dari bahasa pemrograman Matlab ke C++ sehingga dapat
bekerja pada mobile platform. Setelah dibangun, akan diuji apakah spektrum
rekonstruksi yang dihasilkan program pada platform mobile menghasilkan hasil
yang sama dengan program pada platform desktop. Pengujian ini dilakukan
dengan menghitung spektrum daun sambiloto yang terekonstruksi menggunakan
dataset apriori 96 standar warna dan 46 tanaman obat, dengan model polynomial
berorde 2.
Pemilihan Dataset Baru untuk Pembuatan Model Transformasi
Untuk meningkatkan kualitas estimasi spektrum reflektan daun sambiloto,
maka akan dipilih dataset baru yang akan digunakan dalam pembuatan model
transformasi Wiener estimation. Kriteria pemilihan dataset ini berdasarkan nilai
error (RMSE) dan nilai fitness (GFC) yang dihasilkan oleh spektrum rekonstruksi
menggunakan masing-masing dataset. Semakin rendah nilai error-nya dan
semakin tinggi nilai fitness-nya, maka semakin bagus dataset tersebut dalam
merekonstruksi spectral reflektan daun sambiloto. Dataset yang akan digunakan
dalam penelitian ini dapat dilihat pada Tabel 2. Masing-masing dataset ini akan

10
dihitung spektrum reflektannya menggunakan model-model polynomial pada
Tabel 1.
Basis Data Citra
Basis data citra teridiri dari 200 citra daun sambiloto. Citra daun sambiloto
didapatkan dari Kebun Biofarmaka Dramaga Bogor menggunakan smartphone
dengan resolusi 5 MP.
Praproses
Pada penelitian ini, praproses terdiri atas meng-crop citra secara manual
menjadi 20x20 piksel. Ini dilakukan agar proses komputasi menjadi lebih cepat.
Pada bagian training, sebelum dilakukan reduksi dimensi, akan dilakukan
cropping secara manual untuk mendapatkan daerah daun saja tanpa adanya
background.
Ekstraksi Ciri
Ekstraksi ciri merupakan tahapan untuk mengambil ciri yang ada pada
suatu citra yang akan digunakan untuk tahap klasifikas. Cara ekstraksi ciri pada
penelitian ini adalah dengan mengalikan hasil Wiener Estimation dengan citra
daun Sambiloto yang berusia 1, 2, dan 3 bulan. Proses rekonstruksi transformasi
polynomial membutuhkan data latih dan dan uji. Data latih yang digunakan adalah
97 standar warna dan 15 daun sambiloto yang sudah diketahui nilai RGB dan nilai
reflektan. Daftar model polynomial yang dapat digunakan sebagai transformasi
polynomial dapat dilihat pada Tabel 1. Akan tetapi yang digunkan adalah model
polynomial terbaik berdasarkan hasil pemilihan dataset baru pada tahap
sebelumnya.
Klasifikasi dengan Probabilistic Neural Network
Estimasi usia Sambiloto berdasarkan nilai reflektan-nya dilakukan dengan
menggunakan PNN. Struktur PNN terdiri atas lapisan masukan, pola,
penjumlahan dan keputusan. Lapisan masukan berupa vektor hasil ekstraksi fitur
dari citra sambiloto. Pada lapisan pola, digunakan satu model PNN dengan nilai
bias (σ) tetap. Bias merupakan suatu nilai parameter yang berguna untuk
menghaluskan fungsi kernel. Nilai bias yang akan dicoba dalam penelitian ini
adalah 0.1, 0.2, 0.3 dan seterusnya hingga 1. Data latih yang digunakan untuk
membuat model klasifikasi terdiri atas 160 citra dari 2 kelas yang masing-masing
kelas terdapat 80 citra sambiloto. Hasil ekstraksi data latih digunakan untuk
membuat model klasifikasi.

11
Evaluasi
Evaluasi dilakukan untuk mengestimasi nilai reflektan dan mengetahui
umur suatu tanaman obat. Hasil estimasi nilai reflektan dapat diketahui dengan
menggunakan persamaan (6). Pengujian yang dilakukan dalam evaluasi ini adalah
mengetahui umur tanaman obat dari nilai reflektannya.
akurasi=

∑ data uji yang benar
∑ data uji

x

%

(6)

Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat lunak
 Eclipse Juno dan Android Emulator: untuk pembuatan dan pengujian
internal aplikasi mobile,
 Inkscape: untuk desain gambar dan icon,
 Apache: untuk pengujian server,
 Notepad++: untuk pembuatan program pada server.
Perangkat keras
 Laptop dengan prosesor Intel Core-i5 3210M CPU @2.50GHz,
 Memory 4.00 GB,
 Harddisk 500 GB,
 Smartphone berbasis Android versi Icecream Sandwich dengan
kamera 5 MP untuk pengujian.
 Lampu tungsten 12 V 100 W.
 Spektrofometer UV-Vis fiber optik USB 2000

HASIL DAN PEMBAHASAN
Pengumpulan Data
Penanaman bibit sambiloto di Kebun Biofarmaka menghasilkan tanaman
sambiloto berusia 3.5 dan 1.5 bulan. Karena adanya kendala teknis, salah satunya
kalibrasi Spektrofotometer, maka pengambilan data pada tanaman sambiloto
dengan daun berusia 1, 2, dan 3 bulan tidak bisa dilakukan. Dari tanaman-tanaman
ini diambil citra digital menggunakan kamera smartphone dan nilai reflektan
menggunakan Spektrofotometer untuk data apriori Wiener estimation. Data citra
digital daun sambiloto usia 1.5 bulan dan 3.5 bulan dapat dilihat pada Lampiran 4
dan 5. Jumlah data apriori yang didapatkan adalah data RGB dan spektrum
reflektan daun sambiloto sebanyak 94 baris. Selain data apriori, data untuk
klasifikasi juga diambil dari data citra daun sambiloto. Jumlah data yang
digunakan untuk klasifikasi sebanyak seratus citra dari masing-masing usia
tanaman sambiloto. Data citra klasifikasi ini dapat dilihat pada Lampiran 6 dan 7.

12
Pemindahan Platform
Pemindahan platform dilakukan dengan mengkonversi source code dalam
bahasa pemrograman Matlab ke C++. Nilai RMSE dan GFC dari hasil estimasi
reflektan aplikasi basis desktop dan mobile telah dibandingkan untuk melihat
apakah memberikan hasil yang serupa atau tidak. Nilai-nilai yang digunakan
dalam perbandingan ini merupakan hasil estimasi sepuluh daun sambiloto
menggunakan dataset 97 standar warna dan 46 tanaman obat dari penelitian
Azizah (2013). Berdasarkan hasil percobaan, rata-rata nilai RMSE dan GFC untuk
estimasi reflektan dari masing-masing platform adalah sama, yaitu 14.94 dan 0.84.
Perbandingan masing-masing nilai tersebut dapat dilihat pada Lampiran 1. Dari
percobaan ini, dapat ditarik kesimpulan bahwa perhitungan nilai reflektan pada
aplikasi mobile platform sudah benar.

Pemilihan Dataset Baru untuk Pembuatan Model Transformasi
Untuk pemilihan dataset ini, akan digunakan data primer yang diambil dari
Kebun Biofarmaka IPB dan Laboratorium Spektroskopi, Departemen Fisika IPB.
Daun yang sudah siap untuk digunakan akan difoto menggunakan kamera
smartphone sebelum dibawa ke Lab Spektroskopi untuk diambil nilai
reflektannya menggunakan Spektrofotometer USB-2000. Citra dari kamera
smartphone tersebut akan dipraproses sebelum dimasukkan ke program. Hasil
spektrum reflektan yang didapatkan dari program dibandingkan dengan spektrum
reflektan originalnya dengan menggunakan nilai RMSE dan GFC. Nilai
perbandingan nilai eror dan nilai fitness yang dihasilkan estimasi masing-masing
dataset data dilihat pada Tabel 3. Untuk nilai rincian lebih lengkap dapat dilihat
pada Lampiran 2 dan 3.
Tabel 3 Perbandingan nilai RMSE dan GFC dataset
Dataset
97 standar warna

15 daun sambiloto

97 standar warna
dan 15 daun
sambiloto

Orde
1

RMSE
43.04

GFC
0.98

2

73.25

0.99

3

79.49

0.99

1

8.90

0.99

2

3.57

0.99

3

3.99

0.99

1

21.99

0.98

2

26.47

0.97

3

20.96

0.99

Data pada Tabel 3 menunjukkan bahwa dataset yang paling cocok untuk
menjadi model pembentukan matriks transformasi adalah dataset 15 daun

13
sambiloto dengan model polynomial berorde 2. Hal ini dapat dilihat bahwa
dataset tersebut memiliki nilai fitness yang tinggi, sekaligus nilai eror yang relatif
lebih rendah dibandingkan dengan yang lain. Hal ini dapat terjadi dimungkinkan
karena informasi yang disediakan lebih cocok untuk mengakomodir
perekonstruksian reflektan daun sambiloto di lapangan. Akan tetapi ternyata
hanya butuh model polynomial yang sederhana untuk membuat nilai rekonstruksi
spektrum reflektan. Perbandingan antara reflektan asli dengan reflektan
terekonstruksi menggunakan dataset lima belas daun sambiloto dengan model
polynomial ini dapat dilihat pada Gambar 6.
Dengan menggunakan dataset lima belas daun sambiloto dan model
polynomial berorde 2 ini, maka nilai reflektan yang lebih akurat dari daun
sambiloto bisa didapatkan. Rata-rata hasil estimasi reflektan masing-masing usia
daun menggunakan dataset dan model polynomial tersebut dapat dilihat pada
Gambar 7. Nilai reflektan usia 3.5 bulan lebih rendah dibandingkan nilai reflektan
1.5 bulan. Hal ini sesuai dengan fakta bahwa daun yang lebih tua memmantulkan
sinar yang lebih sedikit (lebih gelap) daripada daun berusia muda (lebih terang).
Akan tetapi hasil estimasi reflektan daun berusia 1.5 dan 3.5 bulan hampr saling
berhimpit.
Hasil estimasi reflektan yang hampir sama ini karena data apriori nilai
reflektan yang diberikan kepada Wiener estimation kurang representatif, bukan
pada data uji reflektan masing-masing usia. Data reflektan kurang representatif
karena terdapat perbedaan kondisi pencahayaan lingkungan lapangan dengan Lab
Spetroskopi ketika dilakukan pengambilan data. Untuk data uji reflektan, dapat
dilihat pada Gambar 10 dapat dilihat bahwa nilai RGB masing-masing usia tidak
terlalu berbeda, kecuali pada channel G. Nilai pada histogram-histogram ini
sesuai karena daun berwarna hijau. Meskipun pada histogram channel R dan B
usia 3.5 bulan terdapat frekuensi intensitas 0 yang cukup besar. Hal ini
dikarenakan ada data citra minoritas yang memiliki intensitas 0 dalam jumlah
yang sangat besar, sehingga nilai rata-rata histogram pada daerah tersebut menjadi
tinggi.
60

Reflectance (%)

55
50
45
40
35
30
25
20
400

450

500
550
600
Panjang gelombang (nm)
Original

650

700

Terekonstruksi

Gambar 6 Perbandingan spektrum reflektan asli dan terekonstruksi

14
60

Reflectance (%)

55
50
45
40
35
30
25
20
400

450

500
550
600
Panjang gelombang (nm)
Bulan 1.5

650

700

Bulan 3.5

Frekuensi

Gambar 7 Nilai spektrum rekontruksi daun sambiloto 1.5 dan 3.5 bulan

20
18
16
14
12
10
8
6
4
2
0
0

50

100

150
Intensitas

1,5 bulan

200

250

200

250

3,5 bulan

Frekuensi

(a)
20
18
16
14
12
10
8
6
4
2
0
0

50

100

150
Intensitas

1,5 bulan

(b)

3,5 bulan

Frekuensi

15
20
18
16
14
12
10
8
6
4
2
0
0

50

100

150
Intensitas

1,5 bulan

200

250

3,5 bulan

(c)
Gambar 8 Image histogram data citra model klasifikasi dalam (a) Channel R (b)
Channel G (c) Channel B

Model Klasifikasi Citra
Percobaan dilakukan untuk mengklasifikasi 40 data uji menjadi dua kelas
yaitu usia 1.5 bulan dan 3.5 bulan. Dari hasil percobaan, didapatkan bahwa nilai
bias (σ) PNN yang terbaik adalah 0.1. Akurasi terbesar diperoleh dari hasil
percobaan fold 1 yaitu sebesar 72.5%, diikuti dengan fold 2 dan 3 sebesar 65%,
fold 4 sebesar 57.5%, dan fold 5 sebesar 55%. Berdasarkan model 5-fold cross
validation, akurasi hasil klasifikasi dari 40 data uji yang berbeda dapat dilihat
pada Tabel 4. Akan tetapi karena distribusi akurasi dari model 5-fold cross
validation tidak merata dan dikhawatirkan terjadinya overfitting, maka dipilih fold
dengan akurasi terdekat dengan rata-rata seluruh akurasi, yaitu fold 2 dan 3.
Karena kedua fold memberikan hasil klasifikasi yang sama, maka dipilih fold 2.
Hasil ekstraksi ciri dari data latih fold 2 selanjutnya digunakan dalam aplikasi ini.
Hasil klasifikasi perkiraan usia daun sambiloto dengan menggunakan fold 2 dan 3
dapat dilihat pada Tabel 5. Total data klasifikasi citra sebanyak 200 buah, dengan
perbandingan data latih dan data uji sebesar 80% dan 20%. Jumlah citra data latih
dan data uji masing-masing sebanyak 160 dan 40 buah citra. Data citra klasifikasi
untuk daun sambiloto usia 1.5 bulan dan 3.5 bulan dapat dilihat pada Lampiran 4
dan 5.
Tabel 4 Akurasi identifikasi usia sebanyak 5 fold
Fold
1
2
3
4
5
Rata-rata

Akurasi
72.5%
65.0%
65.0%
57.5%
55.0%
63.0%

16

Tabel 5 Hasil klasifikasi usia daun sambiloto pada fold 3

Kelas
sebenarnya

1.5 bulan
3.5 bulan

Kelas Prediksi
1.5 bulan
3.5 bulan
15
5
9
11

Total
20
20

Evaluasi
Hasil klasifikasi usia daun sambiloto yang didapatkan sebelumnya dapat
dihitung nilai akurasinya. Nilai akurasi didapatkan dengan membagi jumlah data
uji yang diklasifikasikan secara benar dengan total data uji. Nilai akurasi
berdasarkan hasil klasifikasi dapat dilihat pada Tabel 6.
Tabel 6 Akurasi identifikasi usia daun sambiloto
1.5 bulan
3.5 bulan
Rata-rata

Akurasi
75%
55%
65%

Berdasarkan Tabel 6, dapat dilihat bahwa akurasi klasifikasi usia 3.5 bulan
relatif lebih kecil. Hal ini dikarenakan pengambilan citra daun pada kondisi
normal menghasilkan citra dengan intensitas warna yang hampir serupa,
sebagaimana yang disebutkan sebelumnya. Sehingga nilai reflektannya pun tidak
berbeda jauh, sebagaimana bisa dilihat pada Gambar 7.

Implementasi Sistem
Tahap implementasi sistem menghasilkan sebuah sistem sementara
yang berbasis mobile yang dapat menghitung nilai reflektan berdasarkan
warna citra digital untuk menduga usia tanaman sambiloto. Proses
perhitungan nilai reflektan dan pendugaan usia daun sambiloto dapat dilakukan
dengan mengunggah sebuah citra berukuran 20 x 20 piksel ke server. Antarmuka
sistem perkiraan nilai reflektan dan identifikasi usia daun sambiloto dapat
dilihat pada Gambar 9. Pada halaman utama, pengguna diberikan menu untuk
memilih sumber citra, crop citra, dan untuk memulai estimasi usia daun (Gambr
11a). Sumber citra yang bisa dimasukkan adalah dari kamera atau dari galeri
ponsel (Gambar 11b). Setelah pengguna memilih citra dan menekan tombol
“Deteksi Usia”, aplikasi akan mengirimkan citra ke server melalui koneksi
internet untuk diproses. Setelah pemrosesan di server selesai, nilai-nilai spektrum
reflektan terekonstruksi dari citra akan dikembalikan ke aplikasi beserta estimasi
usianya. Untuk tampilan hasil estimasi, sistem akan menampilkan ulang citra yang
telah diproses, usia dari daun dalam citra yang telah diproses (Gambar 11c).

17
Selain itu, sistem juga menyediakan tampilan untuk melihat hasil estimasi
reflektan citra yang telah diberikan (Gambar 11d).
Salah satu keunggulan dari aplikasi ini adalah mampu merekonstruksi
spektrum reflektan daun dalam citra dalam waktu yang relatif cepat, tergantung
dari koneksi internet. Akan tetapi kekurangan dari aplikasi ini adalah tidak
diberlakukannya proses segmentasi sehingga daerah-daerah yang tidak diinginkan
juga akan ikut terproses ke dalam metode Wiener estimation. Maka dari itu telah
diberikan suatu notifikasi yang menyarankan kepada pengguna untuk melakukan
cropping hingga area daun saja agar mendapatkan akurasi yang lebih bagus.

(a)

(b)

(c)

(d)
Gambar 9 Antarmuka sistem (a) Halaman utama (b) Pilihan sumber citra
(c) Halaman hasil estimasi usia (d) Halaman hasil estimasi
reflektan

18

SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, aplikasi Android penduga spektrum reflektan
menggunakan metode Wiener estimation berhasil dibangun. Aplikasi mampu
memberikan hasil reflektan terekonstruksi yang lebih baik menggunakan dataset
15 daun sambiloto dengan model polynomial berorde dua. Aplikasi juga sudah
mampu mengklasifikasikan usia daun sambiloto berdasarkan nilai reflektannya.
Identifikasi usia tanaman sambiloto menggunakan ekstraksi ciri Wiener estimation
dengan PNN menghasilkan akurasi terbaik sebesar 65%. Perkiraan nilai reflektan
daun sambiloto pada usia 1.5 dan 3.5 bulan yang dihasilkan tidak berbeda jauh.
Faktor yang menimbulkan perbedaan ini adalah kondisi pencahayaan lingkungan
pengambilan data citra dan reflektan.

Saran
Saran untuk penelitian berikutnya adalah untuk menyediakan dataset yang
lebih representatif sehingga pembuatan matriks transformasi Wiener menjadi lebih
bagus dalam merekonstruksi reflektan. Selain dari itu, diharapkan pengambilan
citra bisa dilakukan dalam kondisi yang lebih ideal sehingga bisa lebih
membedakan daun dengan usia yang muda dan yang tua.

19

DAFTAR PUSTAKA
[CRISP] Centre for Remote Imaging. Sensing and Processing. 2001. Optical
Remote Sensing [Internet]. [diakses 2014 Januari 14] Tersedia pada:
http://www.crisp.nus.edu.sg/~research/tutorial/optical.htm.
Azizah N. 2013. Perkiraan nilai reflectance berdasarkan warna citra digital
menggunakan wiener estimation untuk menduga usia tanaman Sambiloto
[skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Pertanian Bogor.
Fatmawati DA. 2008. Pola protein dan kandungan kurkuminoid rimpang
temulawak (Curcuma xanthorriza Roxb.) [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Ivan P, Lukito A. 2003. Khasiat & manfaat sambiloto raja pahit penakluk aneka
penyakit, Agromedia Pustaka, Jakarta, Indonesia.
Mansouri A, Sliwa T, Hardeberg J, Voisin Y. 2008. An Adaptive-PCA Algorithm
for Reflectance Estimation from Color Images. Di dalam: Pattern
Recognition, 2008. ICPR 2008. 19th Conference on; 2008 Des 8-11; Tampa,
FL. IEEE. hlm 1-4.
Romero J, Garcı´a-Beltra´n A, Herna´ndez-Andre´s J. 1997. Linear bases for
representation of natural and artificial illuminants. Optical Society of
America. 14(5):1007-1014. doi: 10.1364/JOSAA.14.001007.
Shatilova Y. 2008. Color image technique in fish research [tesis]. Joensuu
(FI): Departement of Computer Science. University of Joensuu.
Stigell P, Miyata K. Kasari MH. 2007. Wiener estimation method in estimating of
spectral reflectance from RGB image. Pattern Recognition and Image
Analysis. 17(2): 233-242. doi: 10.1134/S1054661807020101.
Wu SG, Bao FS, Xu EY, Wang Y, Chang Y. Xiang Q. 2007. A leaf recognition
algorithm for plant classification using probabilistic neural networks. Di
dalam: Signal Processing and Information Technology. 2007 IEEE
International Symposium on; 2007 Des 15-18; Kairo. Mesir. Kairo (EG):
IEEE. hlm 11-16.
Yoo JH, Kyung WJ, Ha HG, Ha YH. 2013. Estimation of Reflectance Based on
Properties of Selective Spectrum with Adaptive Wiener Estimation. Di
dalam: Proc. SPIE 8652, Color Imaging XVIII: Displaying, Processing,
Hardcopy, and Applications, 86520D; 2013 Feb 4. doi: 10.1117/12.2005444

20
Lampiran 1 Perbandingan rata-rata RMSE dan GFC hasil estimasi reflektan dari
sistem platform desktop dan mobile
Objek
a1
a2
a3
a4
a5
a6
a7
a8
a9
a10
Rata-rata

Desktop

RMSE

Mobile

Desktop

GFC

Mobile

13.40

13.40

0.82

0.82

15.38

15.38

0.76

0.76

14.59

14.59

0.80

0.80

16.36

16.36

0.87

0.87

16.36

16.36

0.87

0.87

12.95

12.95

0.90

0.90

14.66

14.66

0.90

0.90

19.42

19.42

0.76

0.76

12.95

12.95

0.90

0.90

13.28

13.28

0.85

0.85

14.94

14.94

0.84

0.84

21
Lampiran 2 Nilai eror dataset
97 tsandar warna

15 daun sambiloto

97 standar warna + 15
daun sambiloto

RMSE

RMSE

RMSE

Objek
Orde
1

Orde
2

Orde
3

Orde
1

Orde
2

Orde
3

Orde
1

Orde
2

Orde
3

s1

21.50

66.87

63.22

4.83

4.49

10.79

7.69

35.92

30.48

s2

89.38 116.63

97.32

1.30

8.56

5.28

64.83

60.59

31.24

s3

33.37

61.44

69.50

1.05

1.51

1.00

5.94

4.69

4.20

s4

65.72

83.74

96.95

11.59

2.80

0.79

28.26

16.74

23.19

s5

41.38

77.91

95.68

19.00

12.70

14.06

21.39

20.94

22.79

s6

38.48

85.83

84.54

7.75

1.63

4.41

18.29

40.59

32.36

s7

16.16

37.60

60.60

11.51

0.62

0.56

14.02

16.51

6.01

s8

33.90

75.30

90.90

13.69

1.07

0.60

19.67

27.84

30.66

s9

33.59

45.46

46.48

9.74

1.24

1.38

19.08

24.94

11.02

s10

56.98

81.73

89.78

8.55

1.05

1.07

20.80

15.97

17.65

Ratarata

43.04

73.25

79.50

8.90

3.57

3.99

22.00

26.47

20.96

22
Lampiran 3 Nilai fitness dataset
97 tsandar warna

15 daun sambiloto

97 standar warna + 15
daun sambiloto

GFC

GFC

GFC

Objek
Orde
1

Orde
2

Orde
3

Orde
1

Orde
2

Orde
3

Orde
1

Orde
2

Orde
3

s1

0.98

0.99

0.99

0.99

0.99

0.99

0.96

0.99

0.99

s2

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

s3

0.96

0.98

0.98

0.99

0.99

0.99

0.98

0.99

0.99

s4

0.97

0.98

0.98

0.99

0.99

0.99

0.99

0.99

0.99

s5

0.98

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

s6

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

s7

0.95

0.97

0.98

0.99

0.99

0.99

0.97

0.99

0.99

s8

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

0.99

s9

0.92

0.94

0.96

0.99

0.99

0.99

0.9

0.75

0.99

s10

0.97

0.98

0.98

0.99

0.99

0.99

0.99

0.99

0.99

Ratarata

0.97

0.98

0.98

0.99

0.99

0.99

0.98

0.97

0.99

23
Lampiran 4 Citra daun sambiloto usia 3.5 bulan

24
Lampiran 5 Citra daun sambiloto usia 1.5 bulan

25

Lampiran 6 Data citra daun sambiloto 1.5 bulan untuk klasifikasi PNN
w1

w2

w3

w4

w5

w6

w7

w8

w9

w10

w11

w12

w13

w14

w15

w16

w17

w18

w19

w20

w21

w22

w23

w24

w25

w26

w27

w28

w29

w30

w31

w32

w33

w34

w35

w36

w37

w38

w39

w40

w41

w42

w43

w44

w45

w46

w47

w48

w49

w50

w51

w52

w53

w54

w55

w56

w57

w58

w59

w60

w61

w62

w63

w64

w65

w66

w67

w68

w69

w70

w71

w72

w73

w74

w75

w76

w77

w78

w79

w80

w81

w82

w83

w84

w85

w86

w87

w88

w89

w90

w91

w92

w93

w94

w95

w96

w97

w98

w99

w100

26
Lampiran 7 Data citra daun sambiloto 3.5 bulan untuk klasifikasi PNN
x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

x12

x13

x14

x15

x16

x17

x18

x19

x20

x21

x22

x23

x24

x25

x26

x27

x28

x29

x30

x31

x32

x33

x34

x35

x36

x37

x38

x39

x40

x41

x42

x43

x44

x45

x46

x47

x48

x49

x50

x51

x52

x53

x54

x55

x56

x57

x58

x59

x60

x61

x62

x63

x64

x65

x66

x67

x68

x69

x70

x71

x72

x73

x74

x75

x76

x77

x78

x79

x80

x76

x77

x78

x84

x85

x86

x81

x82

x83

x90

x91

x92

87

x89

x90

x96

x97

x98

x99

x100

27

RIWAYAT HIDUP
Penulis dilahirkan di Pekanbaru pada tanggal 7 April 1994 dari ayah
Haris Munandar dan ibu El Aftimar. Penulis adalah putra pertama dari dua
bersaudara. Pada tahun 2010. penulis lulus dari SMA Negeri 26 Jakarta Selatan
dan pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian
Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB dan diterima di
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan. penulis pernah aktif sebagai staf Divisi
Edukasi Himpunan Mahasiswa Ilmu Komputer (Himalkom ) dan menjadi
panitia IT Today 2011-2012 serta Pesta Sains 2012. Tahun 2013 penulis
melaksanakan Praktik Lapangan sebagai mobile developer di Jatis Mobile,
Jakarta.