Perancangan dan Simulasi Deteksi Penyakit Tanaman Jagung Berbasis Pengolahan Citra Digital Menggunakan Metode Color Moments dan GLCM

Transkripsi

1 TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : Peranangan dan Simulasi Deteksi Penyakit Tanaman Jagung Berbasis Pengolahan Citra Digital Menggunakan Metode Color Moments dan GLCM Intan Permata Sari,*, Bambang Hidayat, Ratri Dwi Atmaa Fakultas Teknik Elektro, Universitas Telkom. JL. Telekomunikasi No. Terusan Buah Batu, Bandung * intanprs2@gmail.om Abstrak. Industri pengolahan pangan semakin berkembang dan kebutuhan agung semakin meningkat pula.tetapi, salah satu kendala penting dalam upaya peningkatan produksi agung adalah gangguan biotis yang dikelompokkan menadi dua, yaitu gangguan yang disebabkan oleh makroorganisme dan mikroorganisme. Geala penyakit bisa dilihat dari perubahan yang teradi pada daun agung. Para petani (expert) pasti mengetahui tentang adanya geala penyakit pada daun tanaman agung. Akan menadi masalah ketika petani tersebut tidak berada di ladang tersebut sehingga tanaman agung yang terkena penyakit tidak dapat diegah. Seara umum, pendeteksian penyakit pada daun tanaman agung ini diproses melalui pengolahan sinyal digital dan terdiri dari 4 bagian utama, yaitu Preproesssing, ekstraksi iri warna, ekstraksi iri tekstur, dan klasifikasi. Metode ekstraksi iri yang digunakan adalah Color Moment sebagai ekstraksi iri warna dan GLCM (Gray-Level Coo- Ourrene Matrix). Metode klasifikasi pada sistem ini menggunakan KNN (K Nearest Neighbor)dengan ara melakukan klasifikasi pada sistem ini berdasarkan data pembelaaran yang araknya paling dekat dengan obek tersebut. Klasifikasi pada sistem ini terdiri dari 4 kelas, yaitu netral (tidak berpenyakit), penyakit hawar daun, penyakit berak daun, dan penyakit karat daun pada daun tanaman agung. Sistem ini sudah mampu mendeteksi penyakit daun tanaman agung berdasarkan geala-geala yang terdapat pada daun tanaman agung tersebut dengan tingkat akurasi sistem terbaik, yaitu 89,375% dengan menggunakan Eulidean Distane dimana nilai k adalah. Kata Kuni: Color Moments, GLCM, KNN, Pengolahan Sinyal Digital, Tanaman Jagung. Pendahuluan Dengan semakin berkembangnya industri pengolahan pangan di Indonesia maka kebutuhan akan agung akan semakin meningkat pula (Bakhri, 2007). Namun, salah satu kendala penting dalam upaya peningkatan produksi agung adalah gangguan biotis yang dikelompokkan menadi dua, yaitu gangguan yang disebabkan oleh makroorganisme dan mikroorganisme (Wakman, dan Burhanuddin., 200). Penyakit pada tumbuhan agung bisa dilihat dari perubahan daun, akar, batang, bii, dll. Namun tidak semua manusia dapat mengetahui tentang penyakit yang diangkit oleh tumbuhan agung tersebut. Hanya petani yang mengetahuinya. Namun, terkadang akan menadi masalah ketika petani (expert) tidak berada di ladang tersebut sehingga tanaman agung yang terkena penyakit tidak dapat diegah. Pada sistem ini dilakukan ekstraksi iri terhadap adanya perubahan morfologi pada daun tanaman agung yang terkena penyakit sesuai dengan warna dan tekstur. Seara umum, pendeteksian penyakit pada daun tanaman agung ini terdiri dari 4 bagian utama, yaitu: Preproessing, Color extration, Feature extration dan Classifiation. Proses pendektesian penyakit ini terdiri dari berapa proses, yaitu proses ekstraksi warna menggunakan metode Color Moments, kemudian ekstrasi tekstur menggunakan GLCM (Gray-Level Co-ourene Matrix). Metode klasifikasi pada sistem ini menggunakan metode K Nearest Neighbor dengan ara melakukan klasifikasi terhadap obek berdasarkan data pembelaaran yang araknya paling dekat dengan obek tersebut. Pemrosesan awal dilakukan dengan ara membuang informasi yang tidak dibutuhkan dalam pengolahan itra. Keluaran dari sistem berupa pengelompokkan penyakit pada tanaman agung yang menginfeksi daun tanaman agung itu sendiri dimana akan dibagi menadi 4 kelas yaitu netral, hawar daun, berak daun, dan karat daun. Sehingga dengan adanya sistem ini, para SENIATI 206 Institut Teknologi Nasional Malang B. 25

2 TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : petani akan terbantu untuk memberikan tindak lanut apabila daun tanaman agung menunukkan geala-geala penyakit. 2. Dasar Teori 2. Tanaman Jagung Tanaman agung merupakan salah satu enis tanaman pangan bii-biian dari keluarga rumputrumputan yang berasal dari Amerika yang tersebar ke Asia dan Afrika melalui kegiatan bisnis orangorang Eropa ke Amerika. Gambar. Tanaman agung 2.2 Penyakit pada Tanaman Jagung a) Hawar daun Pada awal infeksi geala berupa berak keil, berbentuk oval kemudian berak semakin memanang berbentuk ellips dan berkembang menadi nekrotik dan disebut hawar, warnanya hiau keabu-abuan atau oklat. Gambar 2. Penampakan penyakit hawar daun pada tanaman agung b) Berak daun Geala Penyakit berak daun pada tanaman agung adalah adanya berak berwarna oklat kemerahan yang berbentuk kumparan. Tanaman agung yang terserang menadi layu atau mati dalam waktu 3-4 minggu. Gambar 3. Penampakan penyakit berak daun pada tanaman agung ) Karat daun Geala Berak-berak keil (uredinia) berbentuk bulat sampai oval terdapat pada permukaan daun agung di bagian atas dan bawah, Gambar 4. Penampakan penyakit karat daun pada tanaman agung 2.3 Citra Digital Citra digital dapat didefinisikan sebagai suatu fungsi dua dimensi f(x,y), dengan x dan y merupakan koordinat sedangkan f a dalah amplitude pada posisi (x,y) yang sering disebut atau dikenal dengan intensitas atau graysale (Gonzales, 2002). Nilai dari intensitas mulai dari 0 sampai Model Warna HSV Model warna HSV mendefinisikan warna dalam terminology Hue, Saturation, dan Value. Hue digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness). kehiauan (greenness), dan sebagainya dari ahaya. Hue berasosiasi dennan panang gelombang ahaya. Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna. Value adalah atribut yang menyatakan banyaknya ahaya yang diterima oleh mata tanpa memperdulikan warna. B. 26 Institut Teknologi Nasional Malang SENIATI 206

3 TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : Gambar 5. Model warna HSV [4] 2.5 Color Moments Color Moments merupakan representasi yang padat dari fitur warna dalam mengkarakterisasikan warna itra. Sebagian informasi distibusi warna disusun dalam 3 urutan moment [4]. Mean : M N m = å å pi MN I= = () dimana µ adalah momen, adalah komponen warna, pi adalah nilai pixel (i,) pada komponen warna, M adalah tinggi itra, dan N adalah lebar itra. 2. Standar Deviasi : s é ê ëmn M N = åå I= = ( p i ù 2 -m) ú û / 2 dimana adalah standar deviasi, adalah komponen warna, p i adalah nilai pixel (i,) pada komponen warna, M adalah tinggi itra, N adalah lebar itra, dan m adalah nilai mean pada komponen warna 3. Skewness : é M N qc = ê å å ëmn i= = ( p i ù 3 -m ) ú û / 3 dimana adalah standar deviasi, adalah komponen warna, p i adalah nilai pixel (i,) pada komponen warna, M adalah tinggi itra, N adalah lebar itra, dan m adalah nilai mean pada komponen warna. 2.6 Gray-Level Co-ourene Matrix (GLCM) Pada analisis tekstur seara statistik, fitur tekstur dihitung berdasarkan distribusi kombinasi intensitas pixel pada posisi tertentu, masing-masing kombinasi dibedakan melalui statistik orde-pertama, ordekedua dan statistik orde-lebih tinggi. GLCM merupakan salah satu ara mengekstrak fitur tekstur statistik orde-kedua (Hall-Beyer, M. 2007). Berikut ini merupakan rumus menari entropi, kontras, homogenitas, korelasi dan energy [5] : dimana adalah standar deviasi, adalah komponen warna, pi adalah nilai pixel (i,) pada komponen warna, M adalah tinggi itra, N adalah lebar itra, dan m adalah nilai mean pada komponen warna. 2.6 Gray-Level Co-ourene Matrix (GLCM) Pada analisis tekstur seara statistik, fitur tekstur dihitung berdasarkan distribusi kombinasi intensitas pixel pada posisi tertentu, masing-masing kombinasi dibedakan melalui statistik orde-pertama, ordekedua dan statistik orde-lebih tinggi. GLCM merupakan salah satu ara mengekstrak fitur tekstur statistik orde-kedua (Hall-Beyer, M. 2007). Berikut ini merupakan rumus menari entropi, kontras, homogenitas, korelasi dan energy [5] :. Entropi 2. Energi SENIATI 206 Institut Teknologi Nasional Malang B. 27 (2) (3) (4) (5)

4 TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : Kontras (6) 4. Homogenitas N - Homogenitas =å 5. Korelasi P i, i, = 0+ ( i- ) 2 (7) 2.7 K Nearest Neighbor Algoritma yang paling mudah untuk mengidentifikasi sebuah sampel dari sebuah set tes disebut nearest neighbor. Obek yang akan dites akan dibandingkan dengan setiap sampel set data training dengan menggunakan pengukuran arak, pengukuran tingkat kesamaan, atau pengukuran kombinasi. Obek yang tidak diketahui kemudian diidentifikasi termasuk dalam kelas yang sama dengan sampel terdekat dalam set data training. Ini diindikasikan oleh nilai terkeil ika menggunakan arak, atau nilai terbesar ika menggunakan ukuran tingkat kesamaan. 3. Pembahasan 3. Diagram Alir (8) Gambar 6. Diagram Alir Sistem 3.2 Analisis Kebutuhan Dalam proses penguian sistem ini diperlukan beberapa peralatan yang mendukung yang terdiri dari hardware dan software. Perangkat keras yang digunakan dalam penguian sistem adalah sebuah kamera dengan spesifikasi sebagai berikut : Kamera : Canon 60D Megapiksel : 8 Ukuran : 4.5 x 0.6 x 7.9 m Model : Kamera SLR Software yang digunakan adalah Matlab 202a. 3.3 Skenario Penguian Sistem Dalam proses penguian aplikasi ini, senario penguian yang dilakukan adalah sebagai berikut. Pertama-tama pemilihan obek yang akan diui yaitu daun tanaman agung. Capture bagian yang ingin diui dalam arak ±5 m. Kemudian itra tersebut disimpan di dalam PC sehingga dapat diakses melalui sistem. Setelah itu, itra kemudian terlebih dahulu dilakukan proses resize menadi 800 x 000 pixel. Proses penguian sistem ini uga dilakukan dengan mengubah parameter nilai k dengan metode K Nearest Neighbor yang digunakan dalam proses klasifikasi. Untuk setiap itra ui dilaukan penguian untuk nilai k =, 3, 5, 7, dan 9 dengan menggunakan tipe distane yang berbeda-beda uga B. 28 Institut Teknologi Nasional Malang SENIATI 206

5 TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : yaitu Eulidean, Cityblok, dan Cosine. Sehingga untuk setiap itra ui, didapatkan 8 hasil pengukuran. Jumlah data ui yang digunakan dalam penguian sistem ini adalah sebanyak 60 itra dengan distribusi 40 penyakit berak daun, 40 penyakit hawar daun, 40 penyakit karat daun, dan 40 daun netral atau tidak berpenyakit. Hasil penguian dinyatakan benar apabila hasil yang dideteksi menakup dengan penyakit yang sebenarnya 3.4 Hasil Penguian Berikut ini merupakan tabel hasil penguian terhadap 60 itra daun tanaman agung pada sistem yang telah dibuat dengan menggabungkan semua iri olor moments dan GLCM, sehingga dapat diketahui besar akurasinya. Tabel. Hasil pengukuran menggunakan Color Moment dan GLCM Distane Nilai k Jumlah itra ui Jumlah Benar Akurasi k = ,375 k = Eulidean k = ,875 k = ,5 k = ,25 k = ,75 k = ,375 Cityblok k = ,5 k = ,25 k = ,75 k = ,75 k = Cosine k = ,75 k = ,875 k = ,625 Selain itu, dilakukan pula penguian untuk mengetahui pengaruh dari resize dimana hasil penguian terhadap 60 itra daun tanaman agung pada sistem ini adalah sebagai berikut : Tabel 2. Hasil pengukuran dengan ukuran itra yang berbeda-beda Distane Eulidean Cityblok Cosine Nilai k Size 768x768 Size 500x500 Size 300x300 Size 50x50 Size 50x50 k = k = k = k = k = k = k = k = k = k = k = k = k = k = k = SENIATI 206 Institut Teknologi Nasional Malang B. 29

6 TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : Kesimpulan Dari hasil penelitian Tugas Akhir berikut ini, maka ada beberapa kesimpulan yang dapat ditarik, yaitu untuk penguian dengan menggunakan metode ekstraksi warna (Color Moment) dan ekstraksi tekstur (GLCM) maka didapat akurasi tertinggi sebesar 89,375 dengan menggunakan Eulidean Distane dimana nilai k =. Hasil ini merupakan rata-rata dari nilai iri dari masing-masing parameter iri. Hasil penguian untuk itra yang dirubah ukurannya memiliki nilai akurasi yang turun seiring dengan berkurangnya ukuran itra. Ini dikarenakan adanya informasi yang hilang ika sebuah itra dilakukan proses resize sehingga akurasi kian menurun apabila itra dilakukan proses resize ke ukuran yang lebih keil. Hal-hal yang dapat mempengaruhi meningkat dan menurunnya suatu akurasi adalah pemilihan nilai k pada metode KNN, enis distane pada KNN, ukuran itra, dan terang redupnya ahaya matahari. Adapun saran untuk mengembangkan tugas akhir ini agar menadi lebih baik yaitu sebagai menggunakan metode klasifikasi yang lain agar dapat mendapatkan perbandingan dengan metode sebelumnya sehingga dapat meningkatkan hasil akurasi. 5. Daftar Referensi [] Subekti, Nuning.203. Morfologi Tanaman dan Fase Pertumbuhan Jagung. Balai Penelitian Tanaman Serealia, Maros. [2] Wiaya, Marvin Ch dan Agus Priono Pengolahan Citra Digital Menggunakan Matlab, Image Proessing Toolbox. Bandung : Penerbit Informatika. [3] Permatasari, Debby Sistem Klasifikasi Kualitas Bii Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital. Bandung : Universitas Telkom [4] Budisanaya, I Putu Gede Identifikasi Nitrogen dan Kalium Pada Daun Tanaman Sawi Hiau Menggunakan Matriks Co-Ourrene, Moments dan Jaringan Saraf Tiruan. Bali : Universitas Udayana [5] Maharani, Fina Peranangan Sistem Pengenalan Pola Kain Sarung Khas Makassar Dengan Metode GLCM Berbasis Android. Bandung : Universitas Telkom B. 220 Institut Teknologi Nasional Malang SENIATI 206