K- fold Cross Validation
3 METODOLOGI PENELITIAN
Metode penelitian dapat dilihat pada Gambar 6 di bawah ini. Secara garis besar metode penelitian terdiri atas akuisisi data, praproses, ekstraksi ciri morfologi, klasifikasi, analisis dan evaluasi hasil identifikasi.
Akuisisi Data
Akuisisi data terbagi dalam 2 tahap. Tahapan pertama untuk memperoleh patogen yaitu dengan proses isolasi dari tanaman yang bergejala, dimurnikan dan dibuat preparat yang dilakukan di Laboratorium Patologi Departemen Silvikultur Fakultas Kehutanan IPB. Tahapan proses isolasi dapat dilihat pada lampiran 1a, pemurnian patogen pada lampiran 1b dan pembuatan preparat pada lampiran 1c.
Tahapan kedua yaitu pengambilan data yang dilakukan di Laboratorium Entomologi Departemen Silvikultur Fakultas Kehutanan IPB. Data citra mikroskopis diambil dengan menggunakan mikroskop kamera optilab dan disimpan dalam format JPG. Perbesaran mikroskop yang digunakan untuk setiap proses akuisisi citra bernilai sama yaitu 400x. Dokumentasi akuisisi data menggunakan mikroskop kamera optilab dapat dilihat pada lampiran 1d.
Gambar 6 Metodologi Penelitian Praproses
(grayscale, median smoothing, thresholding
Otsu, region filling, median smoothing, dilate) Ekstraksi ciri morfologi
(area, perimeter, convex area, convex perimeter, compactness, solidity, convexity dan roundness)
Evaluasi hasil identifikasi Akuisisi data
(menggunakan mikroskop kamera optilab) Data citra mikroskopis
digital
Klasifikasi
Pengambilan data citra yang digunakan yaitu berdasarkan data primer. Data citra terdiri dari 3 jenis patogen yaitu Colletotrichum sp., Curvularia sp., dan
Fusarium sp.. Data citra mikroskopis ketiga patogen dapat dilihat pada Gambar 7.
Data mikroskopis patogen umumnya mengumpul dan tidak terpisah sehingga akan sulit untuk mengidentifikasi bentuk patogennya. Oleh karena itu, untuk memudahkan identifikasi awal maka data yang diperoleh dipotong (crop) secara manual sehingga diperoleh data citra patogen tunggal yang dalam hal ini disebut dengan sub image. Berdasarkan proses akuisisi ini diperoleh sebanyak 150 sub image, dengan masing-masing patogen berjumlah 50 citra. Contoh ilustrasi
cropping untuk memperoleh sub image data citra patogen dapat dilihat pada Gambar 8.
Praproses
Praproses yang dilakukan dari 150 sub image patogen yaitu mengubah sub image menjadi bentuk grayscale image, selanjutnya dilakukan proses smoothing
dengan median filter untuk menghilangkan noise dan blurring, kemudian dilakukan segmentasi menggunakan thresholding metode Otsu, kemudian dilakukan proses
region filling untuk citra yang memiliki lubang (hole) dan dilakukan kembali proses Gambar 8 Contoh ilustrasi cropping citra mikroskopis patogen
a b c
Gambar 7 Contoh data citra mikroskopis patogen (a) Colletotrichum sp. (b) Curvularia sp. (c) Fusarium sp.
smoothing dengan median filter yang mana dalam hal ini dapat menghapus detail kecil pada tepi citra dan menghaluskan citra, terakhir dilakukan operasi morfologi yaitu dilate sehingga diperoleh citra yang sesuai kebutuhan untuk diproses ke tahap selanjutnya. Contoh tahapan praproses dapat dilihat pada Gambar 9.
Gambar 9 Tahapan praproses (a) sub image (b) grayscale (c) median smoothing
(d) Otsu thresholding (e) region filling (f) median smoothing (g) dilate operation
Ekstraksi Ciri Morfologi
Pada praproses telah diperoleh citra tersegmentasi yang selanjutnya akan diekstraksi. Ekstraksi ciri adalah langkah dalam proses pengenalan pola di mana pengukuran dari suatu objek dihitung (Wu et al. 2008). Ekstraksi ciri diklasifikasikan ke dalam tiga jenis yaitu low level, middle level dan high level. Low level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle level feature merupakan ekstraksi berdasarkan wilayah citra yang ditentukan dengan segmentasi dan high level feature merupakan ekstraksi ciri berdasarkan informasi semantik yang terkandung dalam citra (Marques dan Furht 2002). Ciri bentuk dalam suatu citra sangat esensial untuk segmentasi citra karena dapat mendeteksi objek atau batas wilayah (Acharya dan Ray 2005).
Informasi yang akan diekstraksi adalah morfologi atau bentuk spora dari patogen. Ekstraksi morfologi yang dilakukan yaitu dengan menghitung nilai area, perimeter, convex area, convex perimeter, compactness, solidity, convexity dan
roundness dari data citra yang tersegmentasi. Ciri morfologi terdiri dari ciri dasar dan ciri turunan. Dalam perhitungan ekstraksi ciri morfologi ini digunakan standar poligon dan standar lingkaran. Ciri dasar yaitu area, perimeter, convex area, dan
convex perimeter.
1. Area: luas daerah pada objek yang diwakili oleh jumlah piksel tak nol dalam batas objek (Saraswat dan Arya 2014). Luas wilayah biner R dapat ditemukan dengan menghitung piksel gambar yang membentuk daerah (Burger dan Burge 2009). Ilustrasi area dapat dilihat pada Gambar 10.
2. Perimeter: keliling atau batas-batas pada objek. Perimeter dari daerah R
didefinisikan sebagai panjang kontur luarnya, di mana R harus terhubung (Burger dan Burge 2009). Perimeter dihitung dengan mengukur jumlah jarak antara piksel batas berturut-turut (Putzu et al. 2014). Dalam hal ini ukuran sederhana perimeter diperoleh dengan menghitung jumlah piksel batas yang dimiliki oleh sebuah objek (Wu et al. 2008). Ilustrasi perimeter dapat dilihat pada Gambar 11.
3. Convex area: menghitung daerah dalam convex hull di mana daerah yang kosong antara boundaryconvex hull dan boundary object diisikan nilai piksel objek dan termasuk dalam object area. Menurut Burger dan Burge (2009),
convex hull adalah poligon cembung terkecil yang berisi semua titik dari wilayah R. Ilustrasi convex hull dan convex area dapat dilihat pada Gambar 12.
4. Convex perimeter: suatu skalar yang menentukan keliling atau batas-batas pada
convex hull. Ilustrasi convex perimeter dapat dilihat pada Gambar 13.
Gambar 13 Ilustrasi convex perimeter
Gambar 11 Ilustrasi perimeter
Ciri turunan yaitu compactness, solidity, convexity dan roundness. Perhitungan ciri turunan sebagaimana tertera pada Persamaan (10) – (13). Nilai ciri turunan tersebut yang akan menjadi penciri untuk diklasifikasi dengan classifier
PNN dalam mencirikan suatu jenis patogen.
5. Compactness: rasio antara area dari sebuah objek dan area dari lingkaran dengan perimeter yang sama (Putzu et al. 2014). Ilustrasi compactness dapat dilihat pada Gambar 14.
6. Solidity: rasio dari area suatu objek dengan area convex hull suatu objek.
Solidity menghitung kepadatan suatu objek (Putzu et al. 2014). Ilustrasi solidity
dapat dilihat pada Gambar 15.
7. Convexity: rasio dari perimeter sebuah convex hull ke perimeter objek itu sendiri (Putzu et al. 2014). Menurut Yang et al. (2008) convexity didefinisikan sebagai rasio perimeter dari convex hull dengan kontur aslinya. Ilustrasi
convexity dapat dilihat pada Gambar 16.
Gambar 14 Ilustrasi compactness
Gambar 15 Ilustrasi solidity
8. Roundness: rasio dari area suatu objek ke area suatu lingkaran dengan perimeter sama dari convex hull objek (Putzu et al. 2014). Ilustrasi roundness
dapat dilihat pada Gambar 17.
Klasifikasi
Setelah proses ekstraksi ciri morfologi, diperoleh nilai-nilai ciri yang menjadi masukan untuk proses klasifikasi patogen. Klasifikasi adalah prosedur untuk mengelompokkan pola masukan ke dalam kelas yang serupa. Klasifikasi data pada penelitian ini menggunakan classifier PNN. Sebelum tahap klasifikasi dilakukan proses pembagian data menggunakan metode k-fold cross validation. Data yang terdiri dari data latih dan data uji dibagi dalam 5-fold dengan persentase 80% data latih dan 20% data uji seperti tertera pada Tabel 4. Perhitungan nilai akurasi diambil nilai rataan dari seluruh nilai yang diperoleh dari penerapan k-fold cross validation. sebagaimana tertera pada persamaan (17).
Tabel 4 Pembagian data dan akurasi
Fold Data Sub Data Akurasi (%)
1-fold Data Latih S1, S2, S3, S4
A1
Data Uji S5
2-fold Data Latih S1, S2, S3, S5
A2
Data Uji S4
3-fold Data Latih S1, S2, S4, S5
A3
Data Uji S3
4-fold Data Latih S1, S3, S4, S5
A4
Data Uji S2
5-fold Data Latih S2, S3, S4, S5
A5
Data Uji S1
� � � = + + + + � % (17)
Analisis
Pada tahap ini terbagi atas tiga tahapan analisis yaitu analisis hasil segmentasi atau praproses, analisis hasil ekstraksi ciri morfologi dan analisis hasil identifikasi patogen. Berdasarkan hasil yang diperoleh dapat diketahui seberapa baik hasil segmentasi atau praproses, hasil ekstraksi ciri suatu penciri dan hasil klasifikasi yang mengidentifikasikan suatu jenis patogen. Jika terjadi kesalahan atau hasil yang kurang baik maka dapat dianalisis juga penyebab kesalahan dari hasil masing-masing tahapan.
Evaluasi Hasil Identifikasi
Evaluasi dilakukan dengan confusion matrix, kinerja model klasifikasi dapat diketahui dengan banyaknya data uji yang diprediksi secara benar dan salah. Pada penelitian ini data terbagi dalam tiga kelas. Apabila terdapat m kelas (m ≥ 2),
confusion matrix merupakan sebuah tabel berukuran m × m. Baris pertama dengan kolom pertama mengindikasikan jumlah atribut dari kelas i yang diklasifikasi oleh
classifier sebagai kelas i. Baris pertama dengan kolom kedua mengindikasikan jumlah atribut dari kelas i yang diklasifikasi oleh classifier sebagai kelas j. Baris pertama kolom ketiga mengidentifikasikan jumlah atribut dari kelas i yang diklasifikasi oleh classifier sebagai kelas k. Baris kedua kolom pertama mengindikasikan jumlah atribut dari kelas j yang diklasifikasi oleh classifier
sebagai kelas i. Baris kedua kolom kedua mengindikasikan jumlah atribut dari kelas
j yang diklasifikasi oleh classifier sebagai kelas j. Baris kedua kolom ketiga mengindikasikan jumlah atribut dari kelas j yang diklasifikasi oleh classifier
sebagai kelas k. Baris ketiga kolom pertama mengindikasikan jumlah atribut dari kelas k yang diklasifikasi oleh classifier sebagai kelas i. Baris ketiga kolom kedua mengindikasikan jumlah atribut dari kelas k yang diklasifikasi oleh classifier
sebagai kelas j. Baris ketiga kolom ketiga mengindikasikan jumlah atribut dari kelas
k yang diklasifikasi oleh classifier sebagai kelas k.
Classifier dengan nilai akurasi yang baik memiliki atribut terbanyak yang ditunjukkan melalui kolom diagonal dari tabel confusion matrix dan kolom lain bernilai nol atau mendekati nilai nol. Tahapan metodologi yang dilakukan kemudian dievaluasi apakah hasil yang dicapai sesuai dengan yang diharapkan atau masih perlu dilakukan perbaikan-perbaikan pada metode dan pemilihan fitur ekstrasinya.