2.1 Image Processing - Identifikasi Penyakit Daun Tanaman Kelapa Sawit Menggunakan Support Vector Machine

BAB II LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang

  berhubungan dengan penerapan metode Support Vector Machine (SVM) untuk mengidentifikasi jenis penyakit hama ulat api dan ulat kantong pada daun tanaman kelapa sawit pada citra daun kelapa sawit.

2.1 Image Processing

  Secara harfiah, citra (image) adalah gambar pada bidang dua dimensi. Sebagai contoh citra seorang model yang bernama Lena (gambar 2.1 a), dan gambar di sebelah kanannya adalah citra kapal di sebuah pelabuhan (gambar 2.1 b).Jika ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada sebuah bidang. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam dan dikenali secara baik.

  Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat : 1. optik berupa foto, 2. analog berupa sinyal video seperti gambar pada monitor televisi, 3. digital yang dapat langsung disimpan pada suatu pita magnetik.

  Contoh gambar citra original dapat dilihat pada gambar 2.1

  (a) (b)

Gambar 2.1 Citra Lena dan Citra Kapal (Rinaldi 2005)

  Meskipun sebuah citra kaya akan informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit dikenali karena informasi yang disampaikan oleh citra tersebut kurang jelas karena buruknya dari kualitas citra. Agar citra yang mengalami gangguan mudah dikenali (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image processing). Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Sebagai contoh, citra burung nuri pada

Gambar 2.1 (a) tampak agak gelap, lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b).

  Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila : 1.

  Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan informasi yang disampaikan citra.

  2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur.

  3. Sebagian citra perlu digabung dengan bagian citra yang lain. Contoh citra yang sudah mengalami pemrosesan dapat dilihat pada gambar 2.2

  (a) (b)

Gambar 2.2 Citra Burung Nuri Gelap, Citra Burung yang Kontrasnya Telah

  Ditambah Sehingga Gambar Lebih Jelas (Rinaldi 2005)

2.2 Edge Detection

  Yang dimaksud dengan tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat (Gambar 2.2). Perbedaan intensitas inilah yang menampakkan rincian pada gambar sehingga informasi yang diberikan pada citra menjadi jelas. Tepi biasanya terdapat pada batas antara dua daerah berbeda pada suatu citra. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda- beda pada bergantung pada perubahan intensitas. Model tepi satu mata dapat dilihat pada gambar 2.3.

  Jarak α = arah tepi

  Perubahan Intensitas α

  Cahaya

Gambar 2.3 Model Tepi Satu-Mata Perhatikan Gambar 2.3 ada tiga model tepi yang terdapat dalam citra digital. Ketiganya meliputi : 1.

  Tepi curam Tepi dengan perubahan intensitas secara tajam. Arah tepi berkisar 90◦.

  2. Tepi landai

  Dapat disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggapsebagai tepi-tepi yang lokasinya berdekatan.

  3. Tepi yang mengandung derau (noise)

  Umumnya tepi yang terdapat pada aplikasi computer vision akan mengandung derau. Dengan mengubah kualitas intensitas citra (image enhancement) dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.

2.3 Sobel Operator

  Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain :

  1. Operator gradien pertama (differential gradient)

  2. Operator turunan kedua (Laplacian)

  3. Operator kompas (compass operator) Sobel Operator merupakan operator gradien pertama. Detektor tepi Sobel menggunakan sepasang 3 x 3 masker konvolusi , satu gradien memperkirakan dalam arah x dan yang lainnya memperkirakan gradien y - arah . Operator Sobel dapat juga didefinisikan operator diferensiasi diskrit yang menghitung perkiraan gradien intensitas citra fungsi (Ghoshal, et al 2012). Contoh gambar perkalian matriks pada operator sobel dapat dilihat pada gambar 2.4.

Gambar 2.4 Perkalian Matriks 2x2 dengan Matriks 3x3 Menghasilkan Matriks yang

  Baru Berjumlah 3x3 Dari gambar 2.4 dapat dilihat bagaiman proses perkalian dari matriks 2x2 (B) sebagai mask atau template dengan matriks 4x4 (A) sebagai input citra sehingga didapatlah hasil matriks berjumlah 3x3 (C) sebagai matriks baru dari penyusutan pixel citra. Operator sobel terdiri dari sepasang 3 × 3 kernel seperti pada Gambar 2.5.

• 1 +2 +1
• 1 +1
• 1 -2 -1
• 1 +1

  Gx Gy

Gambar 2.5 Matriks Sobel Operator

  Kernel ini dirancang untuk merespon secara maksimal untuk tepi berjalan secara vertikal dan horizontal relatif terhadap grid pixel, satu kernel untuk masing-masing dua orientasi tegak lurus. Kernel dapat diterapkan secara terpisah pada citra yang ada, untuk menghasilkan pengukuran yang terpisah dari komponen gradien pada setiap orientasi (Gx dan menyebutnya Gy). Kemudian hasil dari perkalian matriks digabungkan bersama-sama untuk menemukan besarnya nilai dari gradien pada setiap titik dan orientasi dari gradien.

  (2.1) Biasanya, besarnya perkiraan dihitung dengan menggunakan:

  (2.2) Yang mana jauh lebih cepat untuk dihitung Sudut orientasi tepi (relatif terhadap grid pixel) sehingga menimbulkan gradien spasial seperti:

  (2.3)

2.4 Jenis-jenis Penyakit Pada Daun Tanaman Kelapa Sawit

2.4.1 Ulat Api

  Merupakan jenis ulat pemakan daun kelapa sawit yang paling sering menimbulkan kerugian di perkebunan kelapa sawit. Jenis-jenis ulat api yang paling banyak ditemukan adalah Setothosea asigna, Setora nitens, Darna trima, Darna diducta dan

  

Darna bradleyi. Contoh citra daun yang terkena efek ulat api dapat dilihat pada

  gambar 2.6

Gambar 2.6 Dampak Ulat Api pada Daun Dari gambar 2.6 dapat dilihat dampak dari ulat api, daun yang disernag hama ulat api akan berubah menjadi kering dan berwarna kecoklatan, seperti terbakar. Apabila dibiarkan maka efek jangka panjangnya daun akan habis terbakar dan tanaman akan mati.

2.4.2 Ulat Kantong

  Ulat kantong termasuk dalam famili Psychidae. Jenis ulat kantong yang paling merugikan di perkebunan kelapa sawit adalah Metisa plana dan Mahasena corbetti. Contoh citra daun yang terkena efek ulat kantong dapat dilihat pada gambar 2.7

Gambar 2.7 Citra Daun dari Efek Hama Ulat Kantong Dari gambar 2.7 dapat dilihat efek dari daun yang diserang hama ulat kantong.

  Daun menjadi berlubang, apabila dibiarkan maka efek jangka panjang yang terjadi daun akan habis dimakan ulat dan hanya tersisa tangkainya saja dan dapat mengakibatkan produksi buah menjadi berkurang.

2.5 Support Vector Machine

  

SVM juga dikenal sebagai teknik pembelajaran mesin (machine learning) paling

  mutakhir setelah pembelajaran mesin sebelumnya yang dikenal sebagai Neural

  

Network (NN). Baik SVM maupun NN tersebut telah berhasil digunakan dalam

  pengenalan pola. Pembelajaran dilakukan dengan menggunakan pasangan data input dan data output berupasasaran yang diinginkan. Pembelajaran dengan cara ini disebut iniakan diperoleh fungsi yang menggambarkan bentuk ketergantungan input dan outputnya. Selanjutnya, diharapkan fungsi yang diperoleh mempunyai kemampuan generalisasi yang baik, dalam arti bahwa fungsi tersebut dapat digunakan untuk data input di luar data pembelajaran (Nugroho, A.S et,al 2003).

  

Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, Vapnik.

  Pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on. Computational

  

Learning Theory . Berbeda dengan strategi jaringan syaraf tiruan yang berusaha

  mencari hyperplane pemisah antar kelas, SVM berusaha menemukan hyperplane yang terbaik pada input space. Prinsip dasar SVM adalah pengklasifikasi linier, dan selanjutnya dikembangkan agar dapat bekerja pada permasalahan nonlinier. dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. Perkembangan ini memberikan rangsangan minat penelitian di bidang pengenalan pola untuk investigasi potensi kemampuan SVM secara teoritis maupun dari segi aplikasi. Dewasa ini SVM telah berhasil diaplikasikan dalam problem dunia nyata dan secara umum memberikan solusi yang lebih baik dibandingkan metode konvensional. Proses cara kerja SVM dapat dilihat pada gambar 2.8.

  Discrimination Margin Class - 1 Class + 1 Class - 1 Class + 1

  (a) (b)

Gambar 2.8 SVM Berusaha Menemukan Hyperplane Terbaik yang Memisahkan

  Antara Class -1 dan +1 Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. Gambar 2.7a dan

• –1. Pattern yang tergabung pada class –1 disimbolkan dengan bentuk kotak, sedangkan pattern pada class +1, disimbolkan dengan bentuk lingkaran. Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah (discrimination boundaries) ditunjukkan pada gambar 2.7 a. Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur

  

margin dari hyperplane tsb. dan mencari titik maksimalnya. Margin adalah jarak

  antara hyperplane tersebut dengan pattern terdekat dari masing-masing class. Pattern yang paling dekat ini disebut sebagai support vector. Garis solid pada gambar 2.7 b menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah-tengah kedua class, sedangkan titik merah dan kuning yang berada dalam lingkaran hitam adalah support vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses pembelajaran pada SVM.

  Berikut adalah bentuk algoritma SVM beserta variabel dan parameternya :

  x = {x0, x1, x2, .., xm}: merupakan sampel training y = {y1, .., ym} ⊂ {• }1}: merupakan label data training kernel = jenis fungsi kernel par = parameter kernel C = konstanta cost α = [α1, .., αm]: Lagrange multiplier dan bias b Langkah-langkah proses dalam metode SVM ini dijalaskan sebagai berikut : 1. Hitung matriks kernel H.

  2. Tentukan pembatas untuk programa kuadratik, termasuk Aeq, beq,A dan b.

  3. Tentukan fungsi tujuan programa kuadratik 1 2xHx + f_x.

  4. Selesaikan masalah QP dan temukan solusi α dan b.

  

Support vector machine juga memiliki ringkasan matriks, data-data dari matriks inilah

  yang akan dikumpulkan untuk dijadikan informasi dalam menentukan nilai error pada citra yang akan diproses. Ringkasan matriks pada SVM adalah sebagai berikut : Subject to

  (2.4) i = 1,...,ℓ dimana :

  Z= Y= (2.5) Keterangan : x = training input y = training target ker = fungsi kernel par = parameter kernel c = batas atas nsv = nomor-nomor dari support vector alpha = lagrange multipliers b0 = bias term Kelebihan dan kekurangan SVM adalah sebagai berikut :

  Kelebihan Dalam memilih metode untuk menyelesaikan sebuah masalah pasti terdapat kelebihan dan kekurangan, berikut adalah kelebihan dan kekurangan pada Support

  Vector Machine (SVM) :

  1. Generalisasi Generalisasi didefinisikan sebagai kemampuan suatu metode (SVM,

  

neural network , dsb.) untuk mengklasifikasikan suatu pattern, yang tidak termasuk

  data yang dipakai dalam fase pembelajaran metode itu.. Strategi ini disebut Empirical

Risk Minimization (ERM). SVM digunakan untuk meminimalisir error faktor kedua.

Strategi ini disebut Structural Risk Minimization (SRM), dan dalam SVM diwujudkan dengan memilih hyperplane dengan margin terbesar.

2. Curse of Dimensionality

  sering terjadi, data yang diolah berjumlah terbatas, dan untuk mengumpulkan data yang lebih banyak tidak mungkin dilakukan karena kendala biaya dan kesulitan teknis. Dalam hal tersebut, jika metode itu terpaksa harus bekerja pada data yang berjumlah relatif sedikit dibandingkan dimensinya,sehingga membuat proses estimasi parameter metode menjadi sangat sulit.

  3. Landasan Teori Sebagai metode yang berbasis statistik, SVM memiliki landasan teori yang dapat dianalisa dengan jelas, dan tidak bersifat black box.

  Kekurangan Dari kelebihan SVM juga terdapat kekurangannya, diantaranya :

  1. Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini dimaksudkan dengan jumlah sample yang diolah.

  2. SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua class. Sekarang ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan class lebih dari dua.

2.6 Penelitian Terdahulu Penelitian terdahulu dapat dilihat pada tabel 2.1.

  N. & Herumurti,

  invariant . Melakukan

  Deteksi tepi menggunakan moment

  linked dan metode k-means

  , N. & metode centroid

  Liantoni, F., Ramadijanti

  Centroid Linked

  Daun Dengan

  3 Klasifikasi

  mengenali spesies tanaman berdasarkan bentuk daunnya

  Center (MMC) Hypersphere untuk

  Menggunakan metode klasifikasi Move Median

  Move Median Center (MMC) Hypersphere

  D. 2012

Tabel 2.1 Penelitian Terdahulu No Judul Penulis dan

  Tahun Metode yang digunakan Keterangan

  Move Median Center (MMC) Hypersphere

  Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi

  2 Pengenalan

  digunakan sebagai metode klasifikasi . Hasil pengujian dilakukan Dengan mengambil dataset MESSIDOR dengan sejumlah citra yang bervariasi untuk tahap pelatihan

  Neighbour (kNN)

  (SVM) dan k-Nearest

  Support Vector Machine

  Support Vector Machine dan k- Nearest Neighbour (kNN)

  2012

  Setiawan, Wahyudi.

  Support Vector Machine

  Retinopati Diabetik Menggunakan

  1 Sistem Deteksi

  Ardiansjah, Y., Suciati,

Tabel 2.1 Penelitian Terdahulu (lanjutan)

  Clustering Berdasarkan Fitur Bentuk Tepi Daun Rosyid,

  M.N.2011 klasifikasi menggunakan metode centroid linked dan metode k-means

4 Data

  Classification Using Support Vector Machine K.

  Srivastava,et al.2010 Support vector Machine

  Mengklasifikasi data yang berbeda (data Diabetes, Jantung Data, data satelit dan data Shuttle) yang memiliki dua atau multi kelas menggunakan SVM