k-Nearest Neighborhood
B. Pengolahan Komponen Warna (RGB) dengan Visual Basic
3. Perhitungan Komponen RGB (red, green, blue) Daun dan Latar Belakang
Gambar 25. Tampilan membuka dan memilih file
3. Perhitungan Komponen RGB (red, green, blue) Daun dan Latar Belakang
Perhitungan komponen RGB daun dan latar belakang telapak tangan dilakukan dengan 2 tahap. Tahap pertama melakukan proses penghitungan RGB daun. Langkah kerjanya adalah mengklik bagian daun pojok kiri bagian atas dan mengklik bagian daun pojok kanan bagian bawah. Nilai rataan RGB dihitung oleh program yang kemudian tampil di kotak output rR, rG,dan rB daun. Kedua melakukan proses perhitungan RGB latar belakang tangan. Nilai rataan RGB dihitung oleh program yang kemudian tampil di kotak output rR, rG,dan rB tangan. Hasil pada kedua kotak output tersebut akan disimpan otomatis di dalam bentuk file.txt yang disimpan dalam memori hardisk.
Nilai komponen penciri daun dan tangan didapatkan dalam bentuk file BWD.txt di memori
hardisk. Nilai variable penciri citra yang telah diekstraksi, diolah menjadi dua bentuk data, data test
dan data training. Data test dan data training akan digunakan dalam program pengenalan pola dengan kNN. Bentuk data test dan data traing hampir sama dengan hasil ekstraksi dengan program ekstraksi citra. Hasil ekstraksi nilai variabel penciri citra digunakan juga untuk program statistik untuk menguji beda nyata nilai variabel yang sama dalam tingkat warna daun yang berbeda. Variabel penciri (Rd, Gd, Bd, Rt, Gt, Bt) berbeda nyata antar tingkat warna daun sehingga dapat dilanjutkan pengenalan pola dengan program kNN yang telah dirancang menggunakan visual basic.
Pengolahan citra untuk ekstraksi komponen warna daun dilakukan dengan dua analisis yaitu 1) pengolahan citara untuk ekstraksi komponen warna daun dengan frame yang dipenuhi oleh citra telapak tangan, dan 2) pengolahan citra untuk ekstraksi komponen warna daun dengan frame yang tidak dipenuhi oleh citra telapak tangan. Hal ini dilakukan karena diyakini hasil nilai RGB akan berpengaruh terhadap frame. Kedua kelompok ini dianalisis terpisah karena memberi efek kecerahan citra yang berbeda. Tampilan program pengolahan citra untuk ekstraksi komponen warna daun (frame penuh) dan frame tidak penuh dapat dilihat pada Gambar 26 dan 27.
33 Gambar 26. Tampilan program pengolahan citra untuk ekstraksi komponen warna daundengan frame
penuh
Gambar 27. Tampilan program pengolahan citra untuk ekstraksi komponen warna daundengan frame tidak penuh
34
C. Hubungan Komponen RGB dengan Tingkat Warna Daun
Dari data komponen warna daun, komponen warna tangan, dan hasil pengukuran tingkat warna dan dengan BWD kemudian dicari hubungan antara komponen warna dengan tingkat warna daun. Di sini diinginkan adanya hubungan yang khas (berbeda nyata) antara komponen warna dengan tingkat warna daun, dimana tingkat warna daun yang berbeda dicirikan oleh kisaran komponen warna yang khas.
Untuk melakukan pengenalan tingkat warna daun dari keragaman komponen warna RGB daun dan tangan dibuat program Visual Basic untuk melaksanakan algoritma k_Nearest Neighborhood (kNN) yang telah dibuat oleh Astika (2010). Dengan data yang ada, kNN telah diuji dan diimplementasikan ke dalam telepon seluler yang dipakai dalam penelitian. Program pengenalan pola dengan kNN yang dibuat terdiri atas dua bagian utama, 1) proses persiapan file data training, file data test, dan file output, dan 2) menjalankan program. Tampilan program pengenalan pola kNN dapat dilihat pada Gambar 28.
Gambar 28. Tampilan program pengenalan pola kNN
File data training disiapkan dengan bentuk notepad. Data yang terdiri dari 6 komponen penciri yakni Rd. Gd, Bd, Rt, Gt, Bt, dan tingkat warna daun. Jumlah data yang dimuat dalam file data training tidak terbatas, semakin banyak data yang digunakan semakin bagus hasilnya. Untuk File data test disiapakan sama dengan data training bentuk notepad namun dipisahkan dalam dua file yang berbeda. File data training diberi dengan penamaan file AA.txt sedangkan data test diberi dengan penamaan file CC.txt. Data training dan data test disimpan dalam hardisk directory D. File Output diberi dengan penamaan file Hasil.txt, hasil pengolahan kNN ditampilakan di file output. Mempersiapkan file data training dan data test harus mengetahui jumlah data yang dimasukkan dalam file. Jumlah data di tuliskan di bagian atas isi file data training dan data test. Data training dan data test dapat dilihat pada lampiran. Langkah kedua adalah menjalankan program. Tombol perintah ru berfungsi untuk menjalankan program. Menekan tombol perintah run pada program, program akan berjalan otomatis dan melakukan proses pengenalan pola kNN.
35
D. Pemotretan Citra pada Berbagai Tingkat Warna Daun
Pengambilan citra daun padi pada berbagai tingkat warna daun diambil dari tiap-tiap petakan perlakuan. Langkah pertama dengan menentukan tingkat warna daun padi secara manual menggunakan bagan warna daun (BWD) standar. Setiap Petakan perlakuan hanya memiliki beberapa tingkat warna daun saja, hal ini dipengaruhi oleh dosis perlakuan pupuk. Daun padi yang telah diukur dengan menggunakan bagan warna daun dianalisis untuk memperoleh komponen warna RGB.
Citra daun padi terkumpul sebanyak 24.483 buah citra, sebanyak 480 foto yang tidak dapat diekstraksi karena citra rusak. Citra tersebut terkumpul dengan melakukan sebanyak 6 kali ulangan pengamatan dan pengambilan data. Masing-masing dua kali pengamatan dan pengambilan data untuk lahan penelitian Bogor, Karawang dan Cianjur. Pengambilan citra dengan menggunakan lima buah berbagai merek telepon seluler. Setiap daun dengan tingkat warna daun tertentu, di citra sebanyak 6 kali ulangan untuk masing-masing telepon seluler. Pengambilan citra melibatkan 6-7 orang petani setiap pengambilan data. Hal ini dilakukan agar mendapatkan ciri warna telapak tangan yang berbeda-beda, diutamakan model telapak tangan petani.
Pengambilan citra dilakukan secara bergantian untuk setiap kamera telepon seluler. Pemotretan dilakukan secara rotasi agar semua petani memotret untuk masing–masing telepon seluler. Pemotretan dilakukan berurutan mulai tingkat warna daun 2, 2.5, 3, 3.4 dan 4. Model telapak tangan petani untuk pemotretan diberi tanda untuk setiap tingkat warna daun yang akan dicitra hal ini agar mudah dalam penandaaan citra di dalam komputer untuk pengolahan analisis citra.
Cara pengambilan citra dengan kamera telepon seluler, dilakukan dengan cara melilitkan daun padi melingkar ke dalam salah satu jari tangan, disarankan menggunakan jari tengah karena jari tengah cenderung panjang agar memudahkan dalam pemotretan. Penempatan lilitan daun padi di jari harus melingkar tepat dan disarankan tidak terlipat, hal ini dilakukan karena apabila daun tidak melingkar tepat, akan mempengaruhi kerja fokus kamera. Telapak tangan dijadikan sebagai latar belakang frame citra. Pemilihan telapak tangan sebagai latar belakang tangan untuk kepraktisan. Penelitian sebelumnya telah dicoba menggunakan kertas putih Astika, (2010) namun terdapat kendala tidak semua petani membawa kertas ke lapangan/sawah sehingga tidak praktis tentunya merepotkan dalam penggunaan telepon seluler nantinya.
Latar belakang yang digunakan dalam frame citra adalah telapak tangan bagian dalam. Pemilihan latar belakang frame citra bagian dalam telapak tangan bagian dalam adalah karena telapak tangan bagian dalam cenderung tidak berpori sedangkan bagian luar telapak tangan bergaris dan berpori, sehingga dalam pemotretan menghasilkan citra yang kurang menarik, dan menyulitkan dalam pengolahan analisis citra menggunakan program komputer. Kamera telepon seluler yang digunakan dalam penelitian ini menggunakan kamera fokus otomatis. Pemotretan daun padi, kamera harus dalam kondisi fokus, lalu dipotret. Fokus akan mempengaruhi karakteristik komponen RGB yang diolah dalam analisis citra. Daun yang dicitra, dililit melingkar dan tidak goyang karena pergerakan obyek yang akan dicitra juga mempengaruhi kualitas citra, bila obyek bergerak terlalu cepat sulit bagi kamera untuk mengunci fokus (Agung, 2012). Citra yang telah terkumpul sebanyak 16.000 buah dianalisis menggunakan program pengolahan citra. Citra yang terkumpul, terdapat sebanyak 340 citra yang tidak dapat dianasis, hal ini disebabkan oleh kualitas dan hasil citra buram dan pecah. Analisis perbandingan dilakukan terhadap citra yang fokus dengan citra yang tidak fokus. Hasil pengolahan analisis citra dengan menggunakan program analisis RGB menghasilkan nilai komponen RGB yang tidak konsisten. Pengolahan analisis citra menyimpulkan bahwa posisi daun padi tidak goyang, posisi pemotretan yang stabil dan tidak terganggu oleh goyangan tubuh akan menghasilkan fokus yang tepat sehingga dalam pengolahan analisis citra menghasilkan nilai variabel komponen RGB yang konsisten.
36 Peneliti juga telah melakukan penelitian lain yang menggunakan metoda pengolahan citra untuk menentukan tingkat kehijauan daun. Astika, dkk (2010) mengembangkan perangkat sensor untuk menentukan tingkat warna daun padi dengan menggunakan CCD kamera yang dipasang pada suatu gerobak. Gerobak didorong di lahan sawah yang berisikan tanaman padi, sambil terus berjalan kamera menangkap citra daun padi secara terus menerus.
(a) Tanaman kedelai (b) Tanaman padi
Gambar 29. Perangkat sensor untuk penentuan tingkat warna daun (Astika, dkk; 2010) Untuk mengatasi hambatan-hambatan tersebut di atas, Astika, dkk (2011) mengubah metoda pengambilan citra. Citra daun padi pada suatu hamparan/petak lahan diambil dari udara. Metoda yang dipakai untuk mengambil gambar dari suatu ketinggian adalah 1) dengan galah vertikal 5-7 m, 2) balon udara, dan 3) pesawat aeromodeling seperti ditunjukkan pada Gambar 30.
(a) Galah vertikal (b) Balon udara
(c) Helikopter (d) Pesawat aeromodeling Gambar 30. Metode pengambilan citra dari udara (Astika, dkk; 2010)
37 Frame-frame foto disimpan di dalam hard disk komputer laptop untuk nantinya dianalisis di luar lahan. Akurasi yang didapatkan masih rendah karena adanya beberapa hambatan, yaitu kesulitan pergerakan gerobak di lahan sebagai akibat dari slip pada lumpur dan adanya goncangan pada kamera. Astika, dkk (2010) juga menggunakan metoda yang sama untuk menentukan tingkat warna daun kedelai di lahan kering. Di samping itu, metoda yang sama juga dipakai untuk menentukan tingkat penutupan gulma di lahan terbuka. Akurasi yang dihasilkan cukup bagus.