HASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor

Transkripsi

1 Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok dan kuantisasi sudut yang digunakan untuk satu local region menggunakan persamaan berikut: (3) (31) Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 15. 3x3 piksel 5x5 piksel 7x7 piksel Gambar 15 Ilustrasi pembagian ukuran blok pada citra. Ekstraksi tekstur dilakukan pada setiap blok. Setiap blok overlapping dengan blok berikutnya dengan jarak satu piksel. Masingmasing blok diekstraksi menggunakan descriptor. Ekstraksi tekstur menggunakan Ekstraksi tekstur menggunakan descriptor dalam mengolah setiap blok (local region) pada suatu citra dengan menggunakan persamaan (26). Hasil dari pengolahan setiap blok menghasilkan pola LBP. Kemudian pola LBP dari setiap blok diidentifikasi masuk ke dalam uniform patterns atau nonuniform patterns. Gambar 16 Pembentukan histogram. Hasil pengolahan dari setiap blok suatu citra akan direpresentasikan melalui histogram yang merupakan frekuensi nilai. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 16. Histogram descriptor memiliki bin. Bin pertama sampai dengan merupakan bin uniform patterns, sedangkan bin terakhir ( ) untuk non uniform patterns. Klasifikasi dengan Probabilistic Neural Network Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi enam ratus citra daun tanaman berpenyakit menggunakan menghasilkan vektor-vektor histogram citra daun berpenyakit, vektor yang diperoleh dari proses ekstraksi fitur FFT, dan vektor-vektor hasil penggabungan fitur FFT dan. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi dibagi dengan 7% sebagai data latih dan 3% data uji. Setelah itu dilakukan proses training. Hasil dari training diperoleh model klasifikasi. Model klasifikasi ini yang digunakan untuk menglasifikasi data query citra daun yang ingin diketahui jenis penyakitnya. Pengujian dengan Sistem Pengujian data dilakukuan oleh sistem, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari kinerja didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut: (32) terbaik dari hasil berbagai model klasifikasi merupakan model yang akan dipakai untuk identifikasi daun pada citra kueri baru. HASIL DAN PEMBAHASAN Penelitian ini menerapkan FFT dan sebagai ekstraksi ciri. Citra yang digunakan pada penelitian ini adalah citra daun tanaman Anthurium dan Padi dengan enam kelas penyakit, dimana tiap-tiap kelas memiliki seratus citra dengan format yang sama yaitu JPG. Kemudian citra tersebut diesktraksi dengan menggunakan FFT,, dan yang terakhir diekstraksi dengan menggunakan penggabungan fitur FFT dengan 9

2 Hasil Praproses Pada tahap awal praproses, citra RGB dengan latar belakang putih dilakukan cropping untuk mendapatkan objek tanaman berpenyakit. Kemudian citra hasil cropping dilakukan proses zooming dengan tujuan untuk memperjelas tekstur citra yang terserang penyakit. Jika hanya berdasarkan informasi ciri warna dan bentuk sulit untuk menentukan jenis penyakit yang menyerang tanaman, disebabkan kebanyakan penyakit yang menyerang tanaman memiliki karakteristik ciri warna dan bentuk yang sama, seperti penyakit Bercak Kuning pada tanaman Anthurium dan Tungro pada tanaman Padi memiliki gejala awal yang sama yaitu berwarna kuning. Citra hasil proses zooming dengan mode warna RGB diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data dapat dilihat pada Gambar 17. Gambar 17 Praproses data citra berpenyakit, di cropping dan mode warna diubah menjadi grayscale. Hasil Pemodelan Fast Fourier Transform Citra yang telah dipraproses kemudian dilakukan penerapan dengan pemodelan fourier. Dari pemodelan dapat dilihat spektrum fourier masing-masing citra tersebut. Spektrum fourier yang dihasilkan kemudian diubah ke dalam bentuk histogram. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri yaitu mean, varians, bedaan1, bedaan2, standar deviasi, skewness, kurtosis, Entropi, dan nilai piksel tertinggi. Parameter ciri inilah yang akan digunakan untuk klasifikasi dengan PNN. Hasil transformasi dengan FFT, seperti diperlihatkan pada Gambar 18. Gambar 18 Citra hasil praproses, spektrum fouriernya, dan histogram hasil spektrum fourier. Contoh hasil ekstraksi parameter ciri tekstur dengan FFT dapat dilihat pada Tabel 2 berikut: Tabel 2 Nilai ciri tekstur FFT Parameter Ciri Nilai Ciri Mean Varians Bedaan Bedaan Standar Deviasi Skewness.9159 Kurtosis Nilai Piksel Tertinggi 8.12 Entropi 2.47 Hasil Ekstraksi Tekstur dengan Hasil ekstraksi dengan direpresentasikan dengan histogram. Histogram descriptor untuk empat operator diperlihatkan pada Gambar 19. Frekuensi Anthurium sp. Operator (8,1) 1

3 Frekuensi Frekuensi Frekuensi Operator (8,2) Operator (16,2) Operator (24,3) Identifikasi Citra Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi enam ratus citra yang terdiri atas enam jenis penyakit tanaman menggunakan fitur FFT,, dan descriptor menghasilkan vektor-vektor histogram citra tanaman hias. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 7% dan 3%. Untuk setiap jenis penyakit tanaman, tiga di antaranya menjadi data uji untuk melihat akurasi klasifikasi. Ekstraksi dengan descriptor menggunakan empat operator, dilakukan pemilihan operator terbaik. Untuk menentukan operator terbaik dapat dilihat dari hasil nilai akurasi dalam satuan persen yang disajikan pada Tabel 3. Tabel 3 klasifikasi PNN Descriptor P=8, R=1 P=8, R=2 P=16, R=2 P=24, R= Gambar 19 Histogram descriptor citra tanaman hias Anthurium sp. Histogram operator pada Gambar 19 menunjukkan nilai uniform patterns dan satu nilai nonuniform patterns, dimana non uniform patterns berada pada single bin terakhir. Bin nonuniform patterns memiliki frekuensi yang paling tinggi untuk semua operator karena pola-pola LBP nonuniform yang ditemukan hanya ditempatkan pada satu bin. Bin ini menggabungkan seluruh non uniform patterns yang ada pada tekstur citra. Nonuniform pattern memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra. Histogram di atas mendeskripsikan tekstur suatu citra. Pada penelitian ini operator (8,1) mendeskripsikan tekstur lebih baik dibanding operator (8,2), (16,2), dan (24,3). Banyaknya bin menyebabkan pola-pola uniform menyebar, sehingga sulit dibedakan antar pola di dalam tekstur. Banyaknya proporsi uniform patterns menentukan kebaikan penggambaran suatu tekstur. Dari Tabel 3, akurasi tertinggi untuk descriptor berada pada operator (8,1), merupakan operator terbaik pada klasifikasi citra menggunakan PNN. Operator tersebut akan digunakan untuk pengujian identifiksi citra tanaman hias oleh sistem. Operator (8,1) memiliki kuantisasi sudut 45 derajat (jarak antar sampling points 45 derajat). Kuantisasi sudut 45 derajat merupakan kuantisasi sudut secara kasar (crude quantization) bila dibandingkan dengan sampling points 16 dan 24 yang masing-masing memunyai kuantisasi sudut 22.5 dan 15 derajat. Kuantisasi sudut 45 derajat mampu mengambil nilai piksel-piksel ketetanggaan melingkar yang berbeda-beda (discriminant), sehingga diperoleh pola-pola LBP yang juga berbeda-beda. Bervariasinya pola-pola LBP menjadi penciri yang baik dalam ekstraksi tekstur. Ekstraksi ciri berikutnya dengan menggunakan FFT. Spektrum yang dihasilkan dari FFT harus digeser ke tengah bidang gambar, dan selanjutnya harus dilakukan normalisasi tingkat keabuan untuk mendapatkan tampilan spektrum yang jelas dan lebih baik. Hasil spektrum diubah ke bentuk histogram, kemudian dihitung dengan 11

4 menggunakan pendekatan statistik dan menghasilkan sembilan nilai fitur yaitu mean, varians, bedaan1, bedaan2, standar deviasi, skewness, kurtosis, entropi, dan nilai piksel tertinggi. Fitur-fitur yang dihasilkan digunakan sebagai masukan dalam proses klasifikasi. Ekstraksi ciri yang terakhir adalah merupakan. Jumlah fitur yang digunakan ada sembilan belas yang berasal dari sembilan fitur FFT digabung dengan fitur hasil, sehingga didapatkan vektor berukuran 6 x 19 sebagai masukan pada klasifikasi citra menggunakan PNN. Hasil Pengujian Data Anthurium dan Padi dengan Klasifikasi PNN Pengujian identifikasi citra dilakukan oleh sistem. Citra kueri masukan akan diekstraksi dengan fitur FFT,, dan. Kemudian sistem akan mengeluarkan hasil ekstraksi dan hasil identifikasi citra kueri tersebut. Hasil identifikasi citra akan mengeluarkan nama citra kueri dan informasi lebih lanjut mengenai citra kueri tersebut. Pemodelan pengujian identifikasi citra dengan sistem dapat dilihat pada Lampiran 2. Klasifikasi ciri tekstur dengan FFT menggunakan nilai bias sebesar.84, untuk ciri digunakan nilai bias.2, dan nilai bias untuk penggabungan ciri FFT dengan sebesar 11. Perbandingan akurasi klasifikasi masing-masing kelas penyakit tanaman disajikan di pada Tabel 4, 5, dan 6. Tabel 4 setiap kelas penyakit dengan fitur FFT Tota l BD BK BP LB T HD Tabel 5 setiap kelas penyakit dengan fitur Total BD BK BP LB T HD Tabel 6 setiap kelas penyakit dengan Total BD BK BP LB T HD dengan : BD = Bercak Daun BK = Bercak Kuning BP = Bronw Spot LB = Leaf Blast T = Tungro HD = Hawar Daun. Tiga Pemodelan pengujian yaitu menggunakan fitur FFT,, dan untuk setiap kelas digunakan untuk mengindentifikasi citra oleh sistem. Grafik hasil akurasi pengujian klasifikasi setiap kelas penyakit tanaman seperti ditunjukkan Gambar Fitur FFT 12

5 1 Fitur LBP KESIMPULAN DAN SARAN Fitur FFT dengan LBP Gambar 2 jenis penyakit dengan menggunakan fitur FFT,, dan penggabungan fitur FFT dengan. Hasil akurasi dari pengujian tiga fitur ekstrasi ciri yang telah dilakukan, diperoleh akurasi dengan menggunakan fitur FFT yaitu 69,4%, akurasi dengan fitur yaitu 85,56%, dan akurasi penggabungan fitur FFT dengan yaitu 85,56%. Ekstraksi ciri dengan fitur dan penggabungan fitur FFT dengan memiliki akurasi yang sama, tetapi dari grafik hasil akurasi pada Gambar 2 dapat dilihat bahwa ekstraksi ciri yang paling baik digunakan sebagai penciri dalam identifikasi penyakit tanaman adalah. Dari grafik Gambar 2 dapat dilihat ekstraksi ciri dengan menggunakan fitur FFT, penyakit tungro adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 5%, sementara ekstraksi ciri menggunakan fitur penyakit Bercak Kuning adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 6%. Sementara ketika menggunakan ekstraksi ciri dengan kedua penyakit tersebut dikenali dengan lebih baik, ini terlihat dari kenaikan akurasi untuk penyakit tungro naik menjadi 76,67% dan Bercak Kuning naik menjadi 86,67%. Kesimpulan Penelitian ini melakukan Identifikasi Penyakit pada tanaman Padi dan Anthurium berdasarkan ciri tekstur dengan menggunakan Fast Fourier Transform dan Local Binary Pattern dengan Probabilistic Neural Network telah berhasil diimplementasikan. Penggabungan fitur FFT dengan adalah ekstraksi ciri terbaik untuk digunakan sebagai penciri dalam identifikasi jenis penyakit tanaman dengan akurasi klasifikasi 85,56%. Untuk operator P=8, R=1 merupakan operator terbaik dalam klasifikasi citra dengan menggunakan PNN. Saran Beberapa saran yang dapat ditambahkan pada penelitian ini, di antaranya : 1 Penelitian ini menggunakan data citra penyakit terbatas. Untuk penelitian selanjutnya variasi dan jumlah penyakit pada tanaman dapat ditambahkan untuk data citra penyakit. 2 Penggunaan metode penggabungan operator (multiresolution) perlu dilakukan untuk mendapatkan penciri tekstur yang lebih baik lagi. 3 Data yang digunakan dalam penelitian ini dilakukan cropping terlebih dahulu untuk mendapatkan fokus terhadap penyakit, untuk penelitian selanjutnya penggunaan citra utuh perlu dipertimbangkan. DAFTAR PUSTAKA BPP Teknologi Padi (Oriza Sativa). Jakarta: BPP Teknologi. Kebapci H, Yanikoglu B, & Unal G. 29. Plant Image Retrieval Using Color, Shape, and Texture Features. Faculty of Engineering and Natural Sciences Sanbaci University. Kulsum, Lies Umi. 21. Identifikasi Tanaman Hias secara Otomatis Menggunakan Metode Local Binary Pattern Descriptor dan Probabilistic Neural Network [Skripsi]. Bogor: Departement Ilmu Komputer, FMIPA, Institut Pertanian Bogor. 13