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
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 17Praproses 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 6.0536 Varians 1.1768 Bedaan1 0.4924 Bedaan2 -5.5611 Standar Deviasi 1.0848 Skewness 0.9159 Kurtosis 3.4163
Nilai Piksel Tertinggi 8.0012
Entropi 2.0407
Hasil Ekstraksi Tekstur dengan Hasil ekstraksi dengan direpresentasikan dengan histogram. Histogram descriptor untuk empat operator diperlihatkan pada Gambar 19.
Anthurium sp. Operator (8,1) Nilai LBBRiu2 F re kue ns i
Operator (8,2) Nilai LBBRiu2 Operator (16,2)
Nilai LBBRiu2 Operator (24,3) Nilai LBBRiu2
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.
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 penggabungan fitur FFT dengan 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 70% dan 30%. 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 3Akurasi klasifikasi PNN
Descriptor P=8, R=1 P=8, R=2 P=16, R=2 P=24, R=3 0.7778 0.689 0.5333 0.433
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
F re kue ns i F re kue ns i F re kue ns i
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 penggabungan fitur FFT dengan . Jumlah fitur yang digunakan ada
sembilan belas yang berasal dari sembilan fitur FFT digabung dengan fitur hasil , sehingga didapatkan vektor
berukuran 600 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 penggabungan fitur FFT dengan . 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 0.0084, untuk ciri digunakan nilai bias 0.02, dan nilai bias untuk penggabungan ciri FFT dengan sebesar 1100. Perbandingan akurasi klasifikasi masing-masing kelas penyakit tanaman disajikan di pada Tabel 4, 5, dan 6.
Tabel 4 Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan fitur FFT
Kelas Benar Tota
l BD BK BP LB T HD BD 19 0 1 0 1 0 21 BK 6 22 2 4 2 0 36 BP 1 3 19 1 11 0 35 LB 2 2 0 25 0 5 34 T 2 2 7 0 15 0 26 HD 0 1 1 0 1 25 28 ∑ 30 30 30 30 30 30 180
Tabel 5 Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan fitur
Kelas Benar Total
BD BK BP LB T HD BD 23 8 0 0 0 31 BK 7 18 0 0 0 0 25 BP 0 2 29 0 3 0 34 LB 0 0 0 29 2 0 31 T 0 1 1 1 25 0 28 HD 0 1 0 0 0 30 31 30 30 30 30 30 30 180
Tabel 6 Hasil akurasi pengujian klasifikasi setiap kelas penyakit dengan penggabungan fitur FFT dengan
Kelas Benar Total
BD BK BP LB T HD BD 21 3 3 1 0 0 28 BK 5 26 1 0 0 0 32 BP 4 1 25 2 0 0 32 LB 0 0 0 29 3 0 32 T 0 0 1 1 23 0 25 HD 0 0 0 0 0 30 30 30 30 30 30 30 30 180
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 penggabungan fitur FFT dengan untuk setiap kelas digunakan untuk mengindentifikasi citra oleh sistem. Grafik hasil akurasi pengujian klasifikasi setiap kelas penyakit tanaman seperti ditunjukkan Gambar 20. 0 20 40 60 80 100 BD BK BP LB T HD A k ur a s i Jenis Tanaman Akurasi Fitur FFT
Gambar 20Hasil akurasi pengujian klasifikasi 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 20 dapat dilihat bahwa ekstraksi ciri yang paling baik digunakan sebagai penciri dalam identifikasi penyakit tanaman adalah penggabungan fitur FFT dengan .
Dari grafik Gambar 20 dapat dilihat ekstraksi ciri dengan menggunakan fitur FFT, penyakit tungro adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 50%, sementara ekstraksi ciri menggunakan fitur penyakit Bercak Kuning adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 60%. Sementara ketika
menggunakan ekstraksi ciri dengan
penggabungan fitur FFT 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%.