EKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN

Transkripsi

1 EKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

2 EKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN 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 2013

3 ii ABSTRACT TOMY KURNIAWAN. Texture Extraction Using Local Binary for Paddy and Anthurium Disease Identification Website Based. Supervised by YENI HERDIYENI. This research proposes a web-based application to identify plant disease on Paddy and Anthurium automatically based on the leaf image. This research considers seven types of diseases : three Anthurium diseases and four Paddy diseases. For each type of the diseases 100 images are collected, making the total of images data be 700. Local Binary Pattern Variance (LBPV) was used for the extraction of texture and Probabilistic Neural Network (PNN) is used for classification. The result showed that LBPV can be used to identify plant diseases on Paddy and Anthurium. LBPV with operator (8,1) and (16,2) have the highest accuracy of 85.71%. Keywords : local binary pattern variance, probabilistic neural network

4 iii Judul Skripsi Nama NIM : Ekstrasi Tekstur Citra Menggunakan Local Binary Pattern untuk Identifikasi Penyakit Tanaman Padi dan Anthurium Berbasis Website : Tomy Kurniawan : G Disetujui, Pembimbing Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP Diketahui, Ketua Departemen Ilmu Komputer Dr. Ir. Agus Buono, M.Si., M.Kom. NIP Tanggal Lulus:

5 iv RIWAYAT HIDUP Penulis dilahirkan di Jakarta, pada tanggal 04 Februari 1988 dari pasangan Adjie Muhammad Hidayat dan Achyanti. Penulis merupakan putra keempat dari empat bersaudara. Penulis menyelesaikan pendidikan Sekolah Dasar di SD Negeri 1 Panunggangan dan Sekolah Menengah Pertama di SMP Negeri 13 Tangerang. Pada tahun 2006, penulis lulus dari SMA Negeri 10 Jakarta dan pada tahun yang sama lulus seleksi masuk Diploma IPB melalui jalur USMI (Undangan Seleksi Masuk IPB). Pada tahun 2009, penulis lulus dari Diploma IPB dan pada tahun yang sama diterima di Ekstensi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.

6 iii PRAKATA Alhamdulillahirabbil alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wata'ala atas curahan rahmat dan karunia-nya sehingga penulis dapat menyelesaikan tugas akhir ini. Topik tugas akhir dalam penilitian ini adalah Ekstrasi Tekstur Citra Menggunakan Local Binary Pattern untuk Identifikasi Penyakit Tanaman Padi dan Anthurium Berbasis Website. 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. Seluruh keluarga besar penulis, khususnya istri tercinta, almarhum kedua orang tua, ayah dan ibu mertua, serta kakak dan adik penulis atas segala cinta kasih, doa, kesabaran, dukungan, dan dorongan semangat kepada penulis selama ini. 2. Ibu Dr. Yeni Herdiyeni, S.Si.,M.Kom. selaku dosen pembimbing atas bimbingan, bantuan, kemudahan, saran dan arahannya selama pengerjaan tugas akhir ini. 3. Bapak Toto Haryanto S.Kom, M.Si., dan bapak Aziz Kustiyo S.Si, M.Kom. selaku dosen penguji pada penelitian ini. 4. Canggih Trisyanto, Desta Sandya, dan Pauzi Ibrahim sebagai teman satu bimbingan yang selalu memberikan masukan dan saran kepada penulis. 5. Seluruh teman-teman Ekstensi Ilmu Komputer angkatan 4 yang tidak dapat disebutkan namanya satu-persatu. 6. Sahabat-sahabat terdekat penulis yang telah memberikan doa dan dukungan. Penulis menyadari bahwa dalam penulisan tugas akhir ini masih jauh dari kesempurnaan, namun besar harapan penulis bahwa apa yang telah dikerjakan dapat memberikan manfaat bagi seluruh pihak. Bogor, Februari 2013 Tomy Kurniawan

7 iv DAFTAR ISI Halaman DAFTAR ISI... iv DAFTAR GAMBAR... v DAFTAR TABEL... v DAFTAR LAMPIRAN... v PENDAHULUAN... 1 Latar Belakang... 1 Tujuan Penelitian... 1 Ruang Lingkup... 1 TINJAUAN PUSTAKA... 1 Penyakit Anthurium... 1 Penyakit Padi... 2 Ekstraksi Fitur Tekstur... 2 Local Binary Patterns... 3 Rotation Invariant Uniform Patterns (LBPRiu 2 )... 4 Rotation Invariant Variance Measure (VAR)... 4 LBP Variance (LBPV)... 4 Probabilistic Neural Network... 5 Website... 6 METODE PENELITIAN... 6 Data Citra Daun... 6 Praproses Fitur Citra... 6 Ekstraksi Fitur... 7 Klasifikasi dengan Probabilistic Neural Network... 7 Evaluasi... 7 Lingkugan Pengembangan... 7 HASIL DAN PEMBAHASAN... 7 Hasil Praproses... 7 Hasil ekstraksi tekstur dengan LBPV P,R... 8 Identifikasi Citra... 9 Pengujian Data... 9 Antarmuka Sistem KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN... 14

8 v DAFTAR GAMBAR Halaman 1. Bercak Daun pada Anthurium Bercak Kuning pada Anthurium Daun Keriting pada Anthurium Bercak Coklat pada Padi Leaf Blast pada Padi Tungro pada Padi Hawar Daun Bakteri pada Padi Circular neighborhood delapan sampling points Contoh perhitungan nilai LBP Beberapa ukuran circular neighborhood Tekstur uniform patterns Struktur PNN Metode Penelitian Resize image Cropping image Praproses data citra, di resize, di cropping, dan diubah ke grayscale Histogram LBPV P,R descriptor citra tanaman Anthurium Hasil akurasi identifikasi citra penyakit tanaman Padi dan Anthurium pada setiap kelas jenis penyakit (a) Kelas jenis penyakit yang memiliki rata-rata akurasi tinggi (b) Kelas jenis penyakit yang memiliki akurasi paling rendah Screenshoot sistem identifikasi penyakit Padi dan Anthurium DAFTAR TABEL Halaman 1. Akurasi klasifikasi PNN dengan LBPV Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (8,1) Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (16,2) Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (24,3). 10 DAFTAR LAMPIRAN Halaman 1. Citra penyakit tanaman Padi dan Anthurium Pemodelan pengujian identifikasi citra dengan sistem Nilai Peluang Hasil Percobaan... 22

9 1 Latar Belakang PENDAHULUAN Penyakit tanaman merupakan kondisi saat sel dan jaringan tanaman tidak dapat berfungsi secara normal, yang disebabkan adanya gangguan secara terus menerus oleh gen patogenik (biotik) atau faktor lingkungan (abiotik) dan akan menghasilkan perkembangan gejala. Penyakit tanaman terjadi bila salah satu atau beberapa fungsi fisiologis tanaman menjadi abnormal karena adanya gangguan patogen atau kondisi lingkungan tertentu. Penyakit tanaman khususnya tanaman Anthurium dan Padi dapat merugikan petani khususnya dalam aspek ekonomis yang menyebabkan rendahnya kualitas produksi penjualan, sehingga mempengaruhi perekonomian dan kehidupan petani. Oleh karena itu, dibutuhkan sebuah aplikasi yang dapat mengidentifikasi penyakit tanaman Anthurium dan Padi secara otomatis, akurat, dan cepat pada perangkat komputer agar pencegahan dapat dilakukan dengan mudah. Penelitian tentang identifikasi penyakit tanaman Anthurium dan Padi sebelumnya sudah dilakukan oleh Wicaksana (2011). Penelitian tersebut menerapkan transformasi wavelet untuk ekstrasi ciri teksturnya dan K- Nearest Neighbors (KNN) sebagai metode klasifikasinya. Penelitian ini menghasilkan akurasi sebesar 72.8%. Selain itu, Alfarisi (2011) melakukan identifikasi penyakit Padi dan Anthurium dengan penggabungan fitur Fast Fourier Transform (FFT) dan Local Binary Pattern (LBP) dengan akurasi %. Penelitian ini berbasis website dan melakukan identifikasi penyakit tanaman Anthurium dan Padi dengan menerapkan LBP untuk ekstrasi teksturnya, kemudian akan diklasifikasikan menggunakan Probabilistic Neural Network (PNN). Penelitian ini diharapkan akan meningkatkan akurasi identifikasi penyakit pada tanaman Anthurium dan tanaman Padi. Tujuan Penelitian Tujuan penelitian ini adalah mengembangkan sistem identifikasi penyakit tanaman Padi dan Anthurium berbasis website dengan menggunakan metode ekstraksi tekstur Local Binary Pattern. Ruang Lingkup Ruang Lingkup penelitian ini adalah penyakit tanaman Padi dan Anthurium di Persawahan Desa Laladon dan Balai Penelitian Segunung Cipanas, Bogor, Jawa Barat. Terdapat 3 jenis penyakit untuk tanaman Anthurium yaitu Bercak Daun, Bercak Kuning, dan Daun Keriting serta 4 jenis penyakit untuk tanaman Padi yaitu Bercak Coklat, Leaf Blast, Tungro, dan Hawar Daun Bakteri. TINJAUAN PUSTAKA Penyakit Anthurium Anthurium termasuk keluarga Araceae yang mempunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Penyakit yang menyerang tanaman Anthurium pada umumnya disebabkan oleh dua penyebab utama yaitu jamur dan bakteri. Akar, batang, dan daun adalah bagian dari tanaman yang sering terserang penyakit. Bagian tanaman yang dijadikan penelitian adalah daun. Pemilihan daun disebabkan ciri dan karakteristiknya merupakan keutamaan untuk membedakan jenis satu dengan yang lainnya. Berikut adalah tiga penyakit yang menyerang tanaman Anthurium : 1. Bercak Daun Bercak Daun disebabkan oleh jamur Botrytis Sp. Cirinya adalah munculnya bercak di daun. Bercak tersebut langsung menyambung dengan warna asli daun yang sehat. Bercak tersebut lama kelamaan akan membusuk ( Gambar 1). Gambar 1. Bercak Daun pada Anthurium 2. Bercak Kuning Bercak Kuning disebabkan oleh Nematoda atau penyakit lain seperti Fusarium. Cirinya adalah mula-mula muncul noktah kecil berwarna kuning pada daun yang semakin lama semakin lebar, hingga seluruh permukaan daun Anthurium tertutup warna kuning (Gambar 2). Gambar 2. Bercak Kuning pada Anthurium

10 2 3. Daun Keriting Daun Keriting disebabkan Virus atau Kekurangan Kalsium. Ciri Anthurium yang terserang menampakan gejala daun mengeriting (Gambar 3). Bila Daun diraba terasa sedikit bergelombang, warna daun pun mengalami gradasi. Semakin ke arah pinggir daun tampak semakin hijau muda. Gambar 3. Daun Keriting pada Anthurium Penyakit Padi Padi merupakan tanaman pangan berupa rumput berumpun. Penyakit yang menyerang tanaman Padi biasanya disebabkan oleh hama dan bakteri. Sama seperti tanaman Anthurium, bagian tanaman seperti akar, batang, dan daun adalah bagian yang sering terserang penyakit. Pada penelitian ini, penyakit yang diteliti adalah penyakit yang menyerang daun. Berikut adalah empat penyakit yang menyerang tanaman Padi : 1. Bercak Coklat Penyakit Bercak Coklat disebabkan oleh jamur Helmintosporium oryzae (Syam et al. 2007). Gejala yang paling umum dari penyakit ini adalah bercak bewarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada permukaan daun, pada pelepah atau pada gabah (Gambar 4). 3. Tungro Gambar 5. Leaf Blast pada Padi Penyakit Tungro ditularkan oleh wereng hijau dan 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 (Syam et al. 2007). Cirinya adalah warna daun tanaman yang sakit bervariasi, dari sedikit menguning sampai jingga (Gambar 6). Gambar 6. Tungro pada Padi 4. Hawar Daun Bakteri Hawar daun bakteri (HDB) disebabkan oleh Xanthomonas oryzae pv. Oryzae. 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 (Gambar 7). Hawar merupakan gejala yang paling umum dijumpai pada pertanaman yang telah mencapai fase tumbuh anakan sampai fase pemasakan (Syam et al. 2007). 2. Leaf Blast Gambar 4. Bercak Coklat pada Padi Penyakit ini disebabkan oleh jamur patogen 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 (Gambar 5). Sedangkan blas leher berupa bercak coklat kehitaman pada pangkal leher yang dapat mengakibatkan leher malai tidak mampu menopang malai dan patah (Syam et al. 2007). Gambar 7. Hawar Daun Bakteri pada Padi Ekstraksi Fitur Tekstur Tekstur adalah gambaran visual dari sebuah permukaan. Tekstur dapat dibentuk dari keragaman bentuk, pencahayaan, bayangan, penyerapan, dan refleksi. Dalam citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Variasi intensitas disebabkan oleh perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi oleh skala, arah pandangan, kondisi pencahayaan (Mäenpää 2003).

11 3 Local Binary Patterns Local Binary Patterns (LBP) merupakan descriptor yang efisien yang mendeskripsikan pola tekstur lokal pada citra grayscale. LBP didefinisikan sebagai sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pixel pusat berada di tengah seperti ditunjukkan pada Gambar 8. Notasi g i merupakan nilai pixel tetangga ke-i. g c merupakan pixel pusat yang digunakan sebagai nilai threshold agar pixel ketetangganya menjadi kode biner. { (2) dengan x c dan y c adalah koordinat pixel pusat, adalah circular sampling points, adalah jumlah sampling points atau pixel tetangga, adalah nilai grayscale dari, adalah pixel pusat, dan atau sign adalah fungsi threshold. Untuk keperluan klasifikasi nilai-nilai LBP selanjutnya direpresentasikan dalam bentuk histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Untuk ukuran citra N M, keseluruhan nilai LBP dapat direpresentasikan dengan membentuk histogram sebagai berikut: ( ) [ ] (3) { (4) Gambar 8. Circular neighborhood delapan sampling points. Untuk mendapatkan nilai LBP dilakukan thresholding pada pixel-pixel tetangga yang berbentuk circular dengan menggunakan pixel pusat, kemudian mengalikannya dengan pembobotan biner. Sebagai contoh untuk sampling points P=8 dan radius R=1, perhitungan nilai LBP diilustrasikan pada Gambar 9. Kesuksesan LBP sebagai descriptor tekstur disebabkan karena LBP memiliki biaya komputasi yang rendah dan bersifat robust. dengan K merupakan nilai LBP maksimum. Pengkodean LBP seperti pada Gambar 9 ditentukan oleh radius (R) dari jumlah sampling points (P). Sehingga Local Binary Patterns dinotasikan sebagai LBP (P,R). Semakin besar nilai P akan meningkatkan informasi tekstur yang didapat. Urutan pengkodean LBP yang bersifat tetap menyebabkan ada sejumlah 2 P jumlah pola LBP. Gambar 10 memperlihatkan contoh circular neighborhood dengan beberapa nilai R dan P. (8,1) (16,2) (24,3) Gambar 10. Beberapa ukuran circular neighborhood Gambar 9. Contoh perhitungan nilai LBP. Secara matematis LBP dapat diformulasikan sebagai berikut: Ojala et al. (2002) melakukan observasi bahwa beberapa pola LBP tertentu memiliki informasi penting dari suatu tekstur. Polapola yang memiliki informasi penting ini disebut uniform patterns. LBP dikatakan uniform jika discontinuities atau transisi bit 0/1 paling banyak adalah dua. Sebagai contoh (0 transisi), (2 transisi),

12 4 dan (2 transisi) merupakan uniform patterns, sedangkan (4 transisi) dan (6 transisi) bukan merupakan uniform patterns. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area atau dark spot, sudut, dan tepi. Hampir 90 persen dari tekstur merupakan uniform patterns (Ojala et al. 2002). Spot Spot/flat Line end Edge Corner Gambar 11. Tekstur uniform patterns Gambar 11 menunjukkan makna dari uniform patterns. Secara matematis uniform patterns dapat diekspresikan sebagai berikut: ( ) ( ) ( ) (5) dengan ( ) merupakan uniform patterns dari jumlah sampling points (P) dan radius (R), adalah circular sampling point, adalah nilai keabuan dari, dan adalah nilai keabuan rata-rata seluruh pixel neighborhood. Jumlah pola yang dihasilkan uniform patterns adalah bin. Rotation Invariant Uniform Patterns ) Ketika uniform patterns dirotasi sampai ke nilai minimum yang dimilikinya, didapatkan operator baru yang dinamakan Rotation Invariant Uniform Patterns yang dinotasikan. Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling points P dan radius R. merupakan operator yang tidak sensitif (invariant) terhadap perubahan rotasi dan bersifat uniform. diformulasikan sebagai berikut: { ( ) ( ) (6) Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P atau jumlah sampling points sama dengan delapan, nilai ada dalam rentang nol sampai dengan sembilan. Pola-pola LBP yang tidak uniform patterns akan menjadi bin ke-9 (Mäenpää 2003). Rotation Invariant Variance Measure (VAR) Secara umum tekstur tidak hanya ditentukan oleh pola, namun juga kekuatan dari pola (kontras). Pola tekstur tidak dipengaruhi oleh perubahan gray scale, namun dipengaruhi oleh transformasi citra seperti rotasi atau translasi. Sebaliknya, kontras tekstur tidak dipengaruhi oleh transformasi citra, namun dipengaruhi oleh perubahan gray scale (Mäenpää 2003). bekerja dalam mendeskripsikan informasi pola tekstur yang tidak dipengaruhi perubahan gray scale dan rotasi. tidak bisa mendeskripsikan informasi kontras, untuk itu diperlukan descriptor yang mampu mendeskripsikan informasi kontras yang bersifat tidak sensitif terhadap perubahan gray scale. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation invariant local variance (VAR). VAR merupakan descriptor untuk mengukur lokal kontras tekstur pada suatu citra yang tidak dipengaruhi perubahan gray scale. VAR diformulasikan sebagai berikut: dengan ( ) (7) (8) dengan merupakan rataan sampling points circular neighborhood. VAR menghasilkan nilai kontinu yang perlu dikuantisasi. Kuantisasi yang ditentukan banyaknya jumlah data latih (Guo et al. 2010a). LBP Variance (LBPV) Metode LBP telah dikembangkan lebih lanjut menjadi LBPV yang menggabungkan metode dan VAR. Secara definisi VAR mendeskripsikan informasi kontras, dan mendeskripsikan informasi pola tekstur, sehingga kedua operator tersebut bersifat komplemen. Pada persamaan (3), perhitungan LBP histogram H tidak meliputi informasi. Variance berhubungan

13 5 dengan fitur tekstur. Biasanya, frekuensi tekstur region yang tinggi akan mempunyai variance yang lebih tinggi dan variancevariance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2010b). Oleh karena itu, variance dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Ojala et al. (2002) melakukan joint distribution pola LBP dengan kontras lokal sebagai descriptor tekstur bernama LBPV. LBPV dimaksudkan menjadi sebuah descriptor tekstur yang bisa menginformasikan pola tekstur dan kontras lokal. Histogram LBPV dihitung menggunakan formula sebagai berikut: ( ) [ ] dengan ( ) { Probabilistic Neural Network (9) (10) PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik. PNN diperkenalkan oleh Donald Specht pada tahun PNN memiliki beberapa kelebihan yaitu, pelatihan yang hanya memerlukan satu kali iterasi, dan solusi umumnya diperoleh dengan menggunakan pendekatan Bayesian (Kusmana, 2011). f1 f2 f3 1 t Kelas 1 1 t Kelas 2 Sum 1 Sum 2 Kelas Keputusan PNN menggunakan pelatihan (training) supervised. PNN merupakan jaringan saraf tiruan yang menggunakan radial basis function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear (Wu et al. 2007). Keuntungan utama menggunakan arsitektur PNN adalah Training data PNN mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang akan menjadi masukan. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/ keluaran. Struktur PNN ditunjukkan pada Gambar 12. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut: 1 Lapisan input (input layer) Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari n kelas. 2 Lapisan pola (pattern layer) Pada lapisan pola dilakukan perhitungan jarak antara input dengan vektor bobot x ij, yaitu Z i =x-x ij, simbol minus menunjukkan jarak antara vektor. kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah sebagai berikut: ( ( ) ( ) ) dengan menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j. 3 Lapisan penjumlahan (summation layer) 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: ( ( ) ( ) ) fk x 1 Sum 4 Lapisan keluaran (output layer) Lapisan Masukan t Kelas n Lapisan Pola n Lapisan Penjumlahan Gambar 12. Struktur PNN Lapisan Keputusan Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai paling besar dibandingkan kelas lainnya.

14 6 Website Website adalah temuan unik dari kemajuan teknologi informasi. Untuk dapat berselanjar di dunia maya, kita membutuhkan suatu alamat yang bersifat unik, artinya alamat itu tidak ambigu dan hanya menuju ke satu tempat. Website pertama kali ditemukan oleh Sir Timothy John Tim Berners-Lee, sedangkan website yang tersambung dengan jaringan, pertama kali muncul pada tahun Sebuah situs, atau biasa disebut Website, atau disebut Web adalah sebutan bagi sekelompok halaman internet, yang umumnya merupakan bagian dari suatu nama domain (domain name) atau subdomain. Website dapat diakses melalui HTTP ataupun HTTPS, yaitu protokol yang menyampaikan informasi dari server website untuk ditampilkan kepada para pemakai melalui browser. Website itu sendiri terbagi menjadi dua jenis, yaitu website statik dan website dinamis. Website statik adalah website yang informasi didalamnya tidak dimaksudkan untuk diperbarui. Website ini biasanya memiliki seorang atau sebuah tim administrator yang menangani penggunaan software editor. Sedangkan website dinamis adalah website yang informasi di dalamnya diperbarui secara berkala. METODE PENELITIAN Pembuatan aplikasi website untuk identifikasi penyakit tanaman Padi dan Anthurium berkerja pada client dan server. Untuk citra, pada sisi server dilakukan praproses dan proses training PNN untuk pembuatan model klasifikasi dari hasil ekstraksi ciri LBPV terhadap data latih citra penyakit tanaman Padi dan Anthurium, sedangkan pada sisi client dilakukan praproses dan ekstraksi ciri dengan LBPV. Hasil ekstraksi ciri pada sisi client dicocokkan dengan model klasifikasi pada sisi server. Dari hasil pencocokan tersebut akan muncul 3 (tiga) gambar yang peluangnya paling besar. Jika salah satu gambar dipilih, maka sistem akan mengeluarkan detail dari jenis penyakit tersebut. Pada tahap akhir, dilakukan evaluasi terhadap kinerja sistem ini. Gambar 13 menunjukkan metode penelitian ini yang berbasis client server. Data Citra Daun Gambar 13. Metode Penelitian Citra daun tanaman Anthurium dan Padi yang digunakan pada penelitian ini diperoleh dari pemotretan langsung di Persawahan Desa Laladon dan Balai Penelitian Tanaman Hias Segunung Cipanas, Bogor, Jawa Barat, dimana terdapat 3 (tiga) jenis penyakit untuk tanaman Anthurium yaitu Bercak Daun, Bercak Kuning, dan Daun Keriting serta 4 (empat) jenis penyakit untuk tanaman Padi yaitu Bercak Coklat, Leaf Blast, Tungro, dan Hawar Daun Bakteri. Ketujuh jenis penyakit tersebut disajikan pada Lampiran 1. Praproses Fitur Citra Sebelum masuk ke dalam tahap ekstraksi fitur, citra dilakukan praproses terlebih dahulu dimana citra daun merupakan citra RGB dengan latar belakang putih. Selanjutnya akan dilakukan proses resize dan proses cropping dimana dilakukan secara otomasi. Proses resize diformulasikan sebagai berikut :

15 7 dimana Nilai width dan height merupakan panjang dan tinggi dari citra, sedangkan limit merupakan panjang maksimal dari sebuah citra dimana jika width lebih besar dari height, maka yang diambil adalah nilai width, begitu juga sebaliknya jika height yang lebih besar, maka yang diambil adalah nilai height. Nilai max adalah batas maksimal ukuran citra yang akan di resize, dimana max ditentukan secara manual. Untuk proses cropping diformulasikan sebagai berikut : Neural Network (PNN). Masukan untuk klasifikasi PNN diambil dari citra daun yang telah melewati tahap ekstraksi sebelumnya. Klasifikasi dibagi dengan 80% sebagai data latih dan 20% data uji. Setelah itu dilakukan proses training. Hasil dari training diperoleh model klasifikasi. Model klasifikasi ini yang digunakan untuk mengklasifikasi data kueri citra penyakit yang ingin diketahui jenis penyakitnya. Arsitektur ini menggunakan penciri dari metode yang digunakan, yaitu LBPV. Evaluasi Selanjutnya dilakukan evaluasi, dimana 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: dimana Nilai c_width merupakan panjang dari area yang di cropping, sedangkan c_height merupakan tinggi dari area yang di cropping. Ekstraksi Fitur Ekstrasi fitur pada penelitian ini menggunakan Ekstrasi Tekstur LBPV P,R dengan menggunakan operator (8,1), (16,2), dan (24,3). Sebelum masuk ketahap ekstraksi, citra diubah kedalam mode warna grayscale. Citra grayscale ini yang akan menjadi masukan pada ekstraksi fitur. Nilai-nilai yang dihasilkan dari proses ekstraksi direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP pada sebuah citra. Histogram memiliki P+2 bin dimana P merupakan banyaknya sampling points yang digunakan. Sehingga histogram yang dihasilkan pada Ekstraksi ciri tekstur dengan operator (8,1) menghasilkan 10 bin. Klasifikasi dengan Probabilistic Neural Network Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Lingkugan Pengembangan Sistem ini dikembangkan dan diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut : 1 Perangkat Keras : Intel core tm GHz (2 CPUs), Memori 2 GB, Harddisk kapasitas 250 GB. 2 Perangkat Lunak : Windows 7 sebagai sistem operasi Microsoft Visual Studio10 Xampp Mozilla Firefox 11.0 OpenCV Notepad ++ HASIL DAN PEMBAHASAN Hasil Praproses Pada tahap awal praproses, citra RGB yang diunduh pada sistem, di resize terlebih dahulu sebelum di cropping. Proses resize dilakukan untuk mengubah resolusi atau ukuran horizontal dan vertikal suatu citra dimana ukuran maksimal untuk horizontal

16 8 dan vertikal secara manual ditentukan sebesar 500 piksel. Hal ini berguna untuk mengoptimalisasikan kecepatan pada saat ekstraksi tekstur menggunakan LBPV tanpa mengurangi kualitas citra tersebut. Citra yang memiliki ukuran horizontal atau vertikal di atas 500 piksel akan di resize menjadi 500 piksel atau di bawahnya. Ilustrasi resize dapat dilihat pada Gambar 14. Citra hasil proses cropping dengan mode warna RGB diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data dapat dilihat pada Gambar 16. Gambar 16. Praproses data citra, di resize, di cropping, dan diubah ke grayscale Gambar 14. Resize image Hasil citra yang telah di resize, kemudian di cropping untuk mendapatkan objek tanaman berpenyakit, tujuannya untuk memperjelas tekstur citra yang terserang penyakit. Jika hanya berdasarkan informasi ciri warna dan bentuk sulit untuk menentukan jenis penyakit yang menyerang tanaman. Hal tersebut dikarenakan penyakit yang menyerang tanaman memiliki karakteristik ciri warna dan bentuk yang sama, seperti penyakit Bercak Kuning pada tanaman Anthurium dan Tungro pada tanaman Padi yang memiliki gejala awal yang sama yaitu berwarna kuning. Ilustrasi cropping dapat dilihat pada Gambar 15. Hasil ekstraksi tekstur dengan LBPV P,R Proses ekstraksi ciri tekstur pada citra tanaman Padi dan Anthurium menggunakan metode Local Binary Pattern Variance (LBPV) yang nantinya akan menghasilkan suatu vektor ciri. Vektor ciri inilah yang kemudian digunakan sebagai input classifier. Hasil ekstraksi dengan LBPV P,R direpresentasikan dengan Histogram. Histogram untuk ketiga operator diperlihatkan pada Gambar 17. Anthurium sp. Gambar 15. Cropping image

17 9 Gambar 17. Histogram LBPV P,R descriptor citra tanaman Anthurium Histogram yang dihasilkan mendeskripsikan pola tekstur spasial dengan kontras lokal tertentu pada suatu citra. Operator (8,1) memiliki kuantisasi sudut 45 derajat dengan ukuran blok matriksnya sebesar 3x3 pixel yang menghasilkan 10 bin. Operator (16,2) memiliki kuantisasi sudut 22.5 derajat dengan ukuran blok matriksnya sebesar 5x5 pixel yang menghasilkan 18 bin. Operator (24,3) memiliki kuantisasi sudut 15 derajat dengan ukuran blok matriksnya sebesar 7x7 pixel yang mengasilkan 26 bin. Histogram yang ditunjukkan pada Gambar 15 menunjukkan nilai uniform patterns pada bin 0 sampai dengan P dan nilai nonuniform patterns pada bin P + 1. Bin nonuniform patterns memiliki frekuensi yang lebih tinggi untuk semua operator karena pola-pola LBP nonuniform ditempatkan pada bin P + 1. Nonuniform patterns memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra. Operator (8,1) mendeskripsikan pola tekstur spasial dan lokal kontras yang lebih baik dibandingkan dengan operator (16,2) dan (24,3). Hal ini dapat dilihat pada histogram (8,1) yang menunjukkan perbedaan pola-pola tekstur yang terlihat nyata dan dapat diamati dari frekuensi bin-bin uniform pattern yang lebih tinggi dibandingkan operator lainnya Identifikasi Citra Identifikasi dilakukan dengan menggunakan Probabilistic Neural Network (PNN) Classifier. Hasil ekstrasi 700 citra yang terdiri atas empat jenis penyakit Padi dan tiga jenis penyakit Anthurium menggunakan operator LBPV menghasilkan vektor-vektor histogram. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi citra jenis penyakit tanaman Anthurium dan Padi dilakukan dengan membagi data latih dan data uji masingmasing 80% dan 20%, dimana setiap jenis penyakit terdiri dari seratus citra. Ekstraksi dengan LBP menggunakan tiga operator, operator yang digunakan adalah LBPV(8,1), LBPV(16,2), dan LBPV(24,3). Hasil nilai akurasi terbaik dari tiga operator disajikan pada Tabel 1. Tabel 1. Akurasi klasifikasi PNN dengan LBPV Deskriptor P=8 R=1 P=16 R=2 P=24 R=3 85,71% 85,71% 70,00% Dari Tabel 1, terlihat bahwa LBPV yang memiliki akurasi tertinggi adalah operator (8,1) dan operator (16,2) dengan 85.71%, sedang untuk operator (24,3) akurasinya adalah 70%. Hasil ini menyimpulkan bahwa operator (8,1) dan operator (16,2) merupakan operator terbaik untuk klasifikasi menggunakan PNN. Pengujian Data Pengujian identifikasi citra dilakukan menggunakan sistem. Sistem yang dibuat diberi nama Ipedia. Citra kueri masukan akan diekstraksi dan diidentifikasi dengan terlebih dahulu mengunduh citra kueri serta memilih operator yang digunakan. Kemudian sistem akan mengeluarkan tiga jenis penyakit tanaman hasil identifikasi citra kueri yang memiliki peluang terbesar. Hasil identifikasi citra akan mengeluarkan nama citra, gambar citra, dan peluang citra tersebut. Pemodelan pengujian identifikasi citra dengan sistem dapat dilihat pada Lampiran 2. Tiga pemodelan pengujian yaitu LBPV (8,1), LBPV (16,2), dan LBPV (24,3) untuk setiap kelas jenis penyakit tanaman digunakan untuk mengidentifikasi citra kueri oleh sistem. Perbandingan akurasi klasifikasi masing-masing kelas jenis penyakit tanaman disajikan pada Tabel 2,3,dan 4.

18 10 Tabel 2.Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (8,1) K E L A S Kelas Prediksi BD BK DK BC LB T HD BD BK DK BC LB T HD Tabel 3.Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (16,2) K E L A S Kelas Prediksi BD BK DK BC LB T HD BD BK DK BC LB T HD Tabel 4.Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (24,3) K E L A S Kelas Prediksi BD BK DK BC LB T HD BD BK DK BC LB T HD Keterangan : BD = Bercak Daun BK = Bercak Kuning DK = Daun Keriting BC = Bercak Coklat LB = Leaf Blast T = Tungro HD = Hawar Daun Bakteri Pada confusion matrix Tabel 2, 3, dan 4, untuk jenis penyakit Bercak Daun pada Tabel 2, dari 20 citra data uji yang dilakukan, teridentifikasi dengan benar ada 13 citra, tujuh citra yang salah teridentifikasi ketiga jenis penyakit, satu teridentifikasi sebagai Bercak Kuning, satu teridentifikasi sebagai Daun Keriting, dan lima teridentifikasi sebagai Bercak Coklat. Pada Tabel 3 dan 4, penyakit Bercak Daun teridentifikasi lebih banyak, yaitu 18 citra untuk LBPV(16,2) dan 16 citra untuk LBPV(24,3), sedangkan untuk penyakit Bercak Coklat tidak teridentifikasi. Hal ini disebabkan pada penyakit Bercak Daun pola penyakitnya agak melingkar besar sehingga jika menggunakan LBPV(8,1) dengan blok matriks 3x3 sebagian besar akan teridentifikasi ke jenis penyakit Bercak Coklat, dimana Bercak Coklat pola penyakitnya agak memanjang dan memiliki variasi warna hampir mirip dengan Bercak Daun. Jadi, untuk penyakit Bercak Daun lebih baik identifikasinya menggunakan LBPV(16,2) atau LBPV(24,3) yang memiliki ukuran blok matriks lebih besar. Contoh citra penyakit Bercak Daun dan Bercak Coklat dapat dilihat pada Lampiran 1. Sebanyak 20 data uji untuk setiap kelas jenis penyakit tanaman digunakan untuk mengidentifikasi citra oleh sistem. Gambar 18 menunjukan grafik hasil akurasi identifikasi untuk setiap jenis penyakit tanaman yang didapat dari hasil pengujian klasifikasi setiap kelas jenis penyakit tanaman pada masing-masing operator. Akurasi (%) Pada grafik Gambar 18, Daun Keriting dan Hawar Daun Bakteri menghasilkan akurasi tertinggi pada operator (8,1) yaitu sebesar 100%. Untuk operator (16,2), Hawar Daun Bakteri menghasilkan akurasi tertinggi sebesar 95%, dan Bercak Kuning menghasilkan akurasi tertinggi pada operator (24,3) yaitu sebesar 90 % LBPV(8,1) BD BK DK BC LB T HDB

19 11 Akurasi (%) Akurasi (%) LBPV(16,2) BD BK DK BC LB T HDB LBPV(24,3) BD BK DK BC LB T HDB Gambar 18. Hasil akurasi identifikasi citra penyakit tanaman Padi dan Anthurium pada setiap kelas jenis penyakit. Hasil akurasi dari pengujian LBPV dengan tiga operator berbeda telah dilakukan, diperoleh akurasi dengan operator (8,1) dan (16,2) yaitu 85.71% dan akurasi dengan operator (24,3) yaitu 70%. Ekstrasi ciri menggunakan LBPV(8,1) dan LBPV(16,2) memperoleh akurasi yang sama, tetapi dari grafik hasil akurasi pada Gambar 18, dapat dilihat bahwa ekstrasi ciri yang lebih baik untuk digunakan sebagai metode dalam identifikasi penyakit tanaman Padi dan Anthurium adalah LBPV (16,2) Dari grafik pada Gambar 18 dapat dilihat bahwa pada LBPV(8,1), penyakit Bercak Daun adalah jenis penyakit yang sulit dideteksi dengan akurasi sebesar 65%, namun pada LBPV (16,2) dan LBPV (24,3), penyakit Bercak Daun dikenali dengan lebih baik dengan akurasi sebesar 90% pada LBPV (16,2) dan 80% pada LBPV(24,3). Pada LBPV (16,2), penyakit yang sulit dideteksi adalah Bercak Coklat, dengan akurasi sebesar 65%. Penyakit Bercak Coklat terjadi kenaikan akurasi jika menggunakan LBPV (8,1) yaitu 75%, namun mengalami penurunan akurasi jika menggunakan LBPV (24,3) yaitu 45%. Pada LBPV (24,3), ada dua jenis penyakit yang sulit dideteksi, yaitu penyaki Bercak Coklat dan Penyakit Leaf Blast. Kedua penyakit ini memperoleh akurasi yang lebih baik jika menggunakan LBPV (8,1) dan LBPV (16,2). Rata-rata akurasi seluruh kelas pada citra jenis penyakit tanaman Padi dan Anthurium adalah sebesar 80.47%. Dari tujuh kelas jenis penyakit ada sebanyak tiga kelas jenis penyakit yang akurasinya diatas rata-rata yaitu jenis penyakit Bercak Kuning, Daun Keriting, dan Tungro. Daun Keriting merupakan jenis penyakit yang paling baik dideteksi dengan ketiga operator berbeda, dimana Daun Keriting memiliki rata-rata akurasi sebesar 91.66%, sedangkan Bercak Coklat merupakan penyakit yang paling sulit dideteksi dengan ketiga operator, dengan rata-rata akurasi sebesar 61.66%. Daun Keriting memiliki rata-rata akurasi tinggi karena memiliki tekstur dan warna daun yang terserang penyakit tidak beragam, sedangkan untuk Bercak Coklat memiliki tekstur dan warna daun yang terserang penyakit beragam, sehingga akurasinya paling rendah. Gambar 19 merupakan kelas jenis penyakit yang memiliki rata-rata akurasi tinggi dan akurasi rendah. Peluang untuk setiap jenis penyakit dapat dilihat pada Lampiran 3. Gambar 19. (a) Kelas jenis penyakit yang memiliki rata-rata akurasi tinggi (b) Kelas jenis penyakit yang memiliki akurasi paling rendah Antarmuka Sistem Sistem Identifikasi Penyakit Padi dan Anthurium memiliki tiga menu utama, dapat dilihat pada Gambar 20.

20 12 (8,1) dan operator (16,2) merupakan penciri terbaik untuk digunakan dengan nilai akurasi yaitu sebesar 85.71%. Saran Penelitian ini menggunakan data citra jenis penyakit yang terbatas. Untuk penelitian selanjutnya perlu ditambahkan variasi dan jumlah penyakit pada tanaman Padi dan Anthurium. Gambar 20. Screenshoot sistem identifikasi penyakit Padi dan Anthurium 1. Menu Home Menu ini menampilkan sekilas tentang sistem yang diselingi oleh gambar dari tanaman Anthurium dan Padi. 2. Menu Identifikasi Menu ini digunakan untuk mengidentifikasi tanaman Padi atau Anthurium berupa citra. Pengguna dapat mengidentifikasi tanaman Padi atau Anthurium dari citra yang diunduh ke dalam sistem. Kemudian pengguna memilih operator yang akan digunakan untuk identifikasi. Pengguna dapat melihat detail penyakit dari citra hasil identifikasi tersebut dengan menklik gambar atau nama penyakit tersebut. 3. Database Menu ini menampilkan tujuh jenis penyakit dari tanaman Padi dan Anthurium dimana terdiri dari tiga jenis penyakit Anthurium dan empat jenis penyakit Padi. Detail penyakit dapat dilihat dengan menklik gambar atau nama penyakit, dimana terdapat lima informasi yang diberikan yaitu Jenis Tanaman, Nama Penyakit, Penyebab, Gejala, dan Pencegahan. KESIMPULAN DAN SARAN Kesimpulan Penerapan Local Binary Pattern (LBP) dan teknik klasifikasi Probabilistic Neural Network (PNN) untuk identifikasi penyakit tanaman Padi dan Anthurium berbasis website otomatis berhasil diimplementasikan. Pada penelitian ini, dengan operator DAFTAR PUSTAKA Alfarisi, BS Identifikasi Penyakit Tanaman Menggunakan Fast Fourier Transform dan Local Binary Pattern Dengan Probabilistic Neural Network (Studi Kasus : Tanaman Anthurium dan Padi) [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Guo Z, Zhang L, Zhang D. 2010a. A Completed Modeling of Local Binary Pattern Operator for Texture Classification. IEEE Transactions on Image Processing. Vol. 19, No. 6, pp Guo Z, Zhang L, Zhang D. 2010b. Rotation invariant texture classification using LBP variance (LBPV) with global matching. Hong Kong: The Hong Kong Polytechnic University. Kusmana I Penggabungan Fitur Local Binary Patterns untuk Identifikasi Citra Tumbuhan Obat [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Mäenpää T The Local Binary Pattern Approach to Texture Analysis. Oulu : Oulu University Press. Ojala T, Pietikäinen M, Mäenpää T Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on PAMI 24(7): Syam M, Suparyono, Hermanto, Wuryandari D Masalah Lapang Hama Penyakit Hara pada Padi. Pusat Penelitian dan Pengembangan Tanaman Pangan (3).

21 13 Bogor: Puslitbang Pertanian Tanaman Pangan. Wicaksana CW Identifikasi Penyakit Padi dan Anthurium Menggunakan Wavelet dengan Klasifikasi K-Nearest Neighbord [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL A Leaf Recognition Algorithm for Plant Using Probabilistic Neural Network. Changchun: Chinese Academy Science.

22 LAMPIRAN 14

23 15 Lampiran 1. Citra penyakit tanaman Padi dan Anthurium 1. Tujuh Jenis Penyakit Tanaman Padi dan Anthurium yang digunakan Citra Nama Penyakit Bercak Daun Jumlah: 100 Bercak Kuning Jumlah: 100 Daun Keriting Jumlah: 100 Bercak Coklat Jumlah: 100 Leaf Blast Jumlah: 100 Tungro Jumlah: 100 Hawar Daun Bakteri Jumlah: 100

24 16 Lampiran 1. Lanjutan 2. Contoh citra yang digunakan dalam masin-masing kelas jenis penyakit 2.1. Kelas penyakit Bercak Daun 2.2. Kelas penyakit Bercak Kuning 2.3. Kelas penyakit Daun Keriting 2.4. Kelas penyakit Bercak Coklat

25 17 Lampiran 1. Lanjutan 2.5. Kelas penyakit Leaf Blast 2.6. Kelas penyakit Tungro 2.7. Kelas penyakit Hawar Daun Bakteri

26 18 Lampiran 2. Pemodelan pengujian identifikasi citra dengan sistem 1. Menu Utama (Home) 2. Menu Database (Anthurium)

27 19 Lampiran 2. Lanjutan 3. Menu Database (Padi) 4. Hasil Identifikasi (benar)

28 20 Lampiran 2. Lanjutan 5. Hasil Identifikasi (salah) 6. Detail Jenis Penyakit

29 21 Lampiran 2. Lanjutan 7. Cropping Image

30 22 Lampiran 3. Nilai Peluang Hasil Percobaan LBPV Citra Uji (8,1) (16,2) (24,3) Hasil Peluang Hasil Peluang Hasil Peluang Bercak Daun 1 Bercak Daun Bercak Daun Bercak Daun Bercak Daun 2 Bercak Daun Bercak Daun Bercak Daun Bercak Daun 3 Bercak Daun Bercak Daun Bercak Daun Bercak Daun 4 Bercak Coklat Bercak Kuning Bercak Kuning Bercak Daun 5 Bercak Daun 1 Bercak Daun Bercak Daun Bercak Daun 6 Bercak Coklat Bercak Daun Bercak Daun Bercak Daun 7 Daun Keriting Bercak Daun Bercak Daun Bercak Daun 8 Bercak Daun Bercak Daun Bercak Daun Bercak Daun 9 Bercak Daun 1 Bercak Daun 1 Bercak Daun 1 Bercak Daun 10 Bercak Daun 1 Bercak Daun Bercak Daun Bercak Daun 11 Bercak Coklat Bercak Daun Bercak Daun Bercak Daun 12 Bercak Coklat Bercak Daun Bercak Daun Bercak Daun 13 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Daun 14 Bercak Daun 1 Bercak Daun Bercak Daun Bercak Daun 15 Bercak Daun 1 Bercak Daun Bercak Daun Bercak Daun 16 Bercak Daun 1 Bercak Daun Bercak Daun Bercak Daun 17 Bercak Daun 1 Bercak Daun Bercak Daun Bercak Daun 18 Bercak Coklat Bercak Daun Bercak Daun Bercak Daun 19 Bercak Daun 1 Bercak Daun Tungro Bercak Daun 20 Bercak Daun 1 Bercak Daun Tungro Bercak Kuning 1 Bercak Kuning 1 Bercak Kuning Bercak Kuning Bercak Kuning 2 Bercak Kuning 1 Bercak Kuning Bercak Kuning Bercak Kuning 3 Bercak Kuning 1 Bercak Kuning Bercak Kuning Bercak Kuning 4 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 5 Bercak Kuning 1 Bercak Kuning Bercak Kuning Bercak Kuning 6 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 7 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 8 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 9 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 10 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 11 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 12 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 13 Bercak Kuning Bercak Kuning Bercak Kuning Bercak Kuning 14 Bercak Daun Bercak Kuning Bercak Kuning Bercak Kuning 15 Bercak Kuning 1 Bercak Kuning 1 Bercak Kuning Bercak Kuning 16 Bercak Kuning 1 Bercak Kuning 1 Bercak Kuning 1 Bercak Kuning 17 Daun Keriting Bercak Kuning Bercak Kuning Bercak Kuning 18 Daun Keriting Bercak Kuning Bercak Kuning Bercak Kuning 19 Daun Keriting Leaf Blast Bercak Daun Bercak Kuning 20 Daun Keriting Leaf Blast Bercak Daun

31 23 Lampiran 3. Lanjutan LBPV Citra Uji (8,1) (16,2) (24,3) Hasil Peluang Hasil Peluang Hasil Peluang Daun Keriting 1 Daun Keriting 1 Daun Keriting 1 Daun Keriting Daun Keriting 2 Daun Keriting 1 Daun Keriting 1 Daun Keriting Daun Keriting 3 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 4 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 5 Daun Keriting 1 Daun Keriting Leaf Blast 1 Daun Keriting 6 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 7 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 8 Daun Keriting Daun Keriting Daun Keriting Daun Keriting 9 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 10 Daun Keriting Daun Keriting Daun Keriting Daun Keriting 11 Daun Keriting Daun Keriting Daun Keriting Daun Keriting 12 Daun Keriting Daun Keriting Daun Keriting Daun Keriting 13 Daun Keriting Bercak Kuning Daun Keriting Daun Keriting 14 Daun Keriting 1 Daun Keriting Leaf Blast Daun Keriting 15 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 16 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 17 Daun Keriting 1 Leaf Blast Leaf Blast 1 Daun Keriting 18 Daun Keriting Daun Keriting Daun Keriting Daun Keriting 19 Daun Keriting 1 Daun Keriting Daun Keriting Daun Keriting 20 Daun Keriting 1 Daun Keriting Daun Keriting Bercak Coklat 1 Bercak Coklat Bercak Coklat Hawar Daun Bercak Coklat 2 Bercak Coklat Bercak Coklat Leaf Blast Bercak Coklat 3 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 4 Leaf Blast Leaf Blast Hawar Daun Bercak Coklat 5 Bercak Coklat 1 Bercak Coklat Hawar Daun Bercak Coklat 6 Bercak Daun 1 Hawar Daun Tungro Bercak Coklat 7 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 8 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 9 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 10 Bercak Coklat Hawar Daun Bercak Coklat Bercak Coklat 11 Bercak Coklat Daun Keriting Leaf Blast Bercak Coklat 12 Bercak Daun Hawar Daun Hawar Daun Bercak Coklat 13 Bercak Coklat Bercak Coklat Daun Keriting Bercak Coklat 14 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 15 Hawar Daun Bercak Coklat Bercak Coklat Bercak Coklat 16 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 17 Bercak Daun Hawar Daun Hawar Daun Bercak Coklat 18 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 19 Bercak Coklat Bercak Coklat Bercak Coklat Bercak Coklat 20 Bercak Coklat Hawar Daun Hawar Daun

32 24 Lampiran 3. Lanjutan LBPV Citra Uji (8,1) (16,2) (24,3) Hasil Peluang Hasil Peluang Hasil Peluang Leaf Blast 1 Leaf Blast 1 Leaf Blast Leaf Blast Leaf Blast 2 Hawar Daun Leaf Blast Hawar Daun Leaf Blast 3 Leaf Blast 1 Leaf Blast 1 Hawar Daun Leaf Blast 4 Leaf Blast 1 Leaf Blast Leaf Blast Leaf Blast 5 Leaf Blast 1 Leaf Blast 1 Bercak Coklat Leaf Blast 6 Leaf Blast 1 Daun Keriting Hawar Daun Leaf Blast 7 Leaf Blast 1 Leaf Blast Tungro Leaf Blast 8 Leaf Blast 1 Leaf Blast 1 Leaf Blast Leaf Blast 9 Leaf Blast 1 Leaf Blast Hawar Daun Leaf Blast 10 Leaf Blast 1 Leaf Blast Bercak Daun Leaf Blast 11 Leaf Blast 1 Leaf Blast Hawar Daun Leaf Blast 12 Leaf Blast 1 Leaf Blast 1 Leaf Blast Leaf Blast 13 Leaf Blast 1 Leaf Blast Daun Keriting Leaf Blast 14 Leaf Blast 1 Leaf Blast 1 Leaf Blast 1 Leaf Blast 15 Leaf Blast 1 Leaf Blast 1 Leaf Blast 1 Leaf Blast 16 Leaf Blast 1 Leaf Blast Leaf Blast Leaf Blast 17 Leaf Blast 1 Leaf Blast Daun Keriting Leaf Blast 18 Leaf Blast 1 Leaf Blast Tungro Leaf Blast 19 Leaf Blast 1 Leaf Blast 1 Leaf Blast Leaf Blast 20 Bercak Coklat Bercak Daun Bercak Coklat Tungro 1 Tungro 1 Tungro Tungro Tungro 2 Tungro 1 Tungro Tungro Tungro 3 Tungro 1 Tungro Tungro Tungro 4 Tungro 1 Tungro Tungro Tungro 5 Tungro 1 Tungro Tungro Tungro 6 Tungro Tungro Tungro Tungro 7 Tungro Tungro Tungro Tungro 8 Hawar Daun Hawar Daun Tungro Tungro 9 Tungro 1 Tungro Tungro Tungro 10 Tungro Tungro Tungro Tungro 11 Tungro 1 Tungro Tungro Tungro 12 Tungro 1 Tungro Tungro Tungro 13 Tungro Hawar Daun Hawar Daun Tungro 14 Tungro Hawar Daun Hawar Daun Tungro 15 Tungro 1 Tungro Tungro Tungro 16 Tungro 1 Tungro Tungro Tungro 17 Tungro Hawar Daun Hawar Daun Tungro 18 Tungro 1 Tungro Tungro Tungro 19 Tungro 1 Tungro Tungro Tungro 20 Tungro 1 Tungro Tungro