Anthurium
Anthurium termasuk keluarga Araceae yang memunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Dalam keluarga Araceae, Anthurium adalah genus dengan jumlah jenis terbanyak. Diperkirakan ada sekitar seribu jenis anggota marga Anthurium. Beberapa jenis tanaman Anthurium dapat dilihat pada Gambar 1.
Gambar 1 Tanaman hias Anthurium. Dalam sistematika (taksonomi) tumbuhan, tanaman anthurium memunyai klasifikasi sebagai berikut: Kingdom : Plantae Subkingdom : Tracheobionta Divisi : Spermatophyta Sub-Divisi : Angispermae Kelas : Monocotyledonae Subkelas : Aracidae Ordo : Arales Famili : Araceae Genus : Anthurium
Spesies : A. Crytallianum, A.jemanii, A. Hookeri, dan lain-lain. (Tirja 2009).
Penyakit yang menyerang tanaman hias pada umumnya disebabkan oleh dua penyebab utama yaitu jamur dan bakteri. Serangan jamur lebih sering dijumpai daripada serangan 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 dua penyakit yang menyerang tanaman hias yang dibahas dalam penelitian ini:
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 2).
2 Bercak Kuning
Bercak Kuning sering menyerang tanaman dan telah menjadi momok yang menakutkan bagi pekebun dan hobiis. 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 3).
Gambar 3 Bercak Kuning pada Anthurium. Padi
Padi merupakan tanaman pangan berupa rumput berumpun. Tanaman pertanian kuno berasal dari dua benua yaitu Asia dan Afrika Barat tropis dan subtropis. Berdasarkan literatur Grist (1960) tanaman padi dalam
sistematika tumbuhan (taksonomi)
diklasifikasikan sebagai berikut: Kingdom : Plantae
Divisi : Spermatophyta
Sub divisi : Angiospermae
Kelas : Monotyledonae
Keluarga : Gramineae (Poaceae)
Genus : Oryza
Spesies : Oryza spp (BPP Teknologi 2011).
Penyakit yang menyerang tanaman padi biasanya disebabkan oleh hama dan bakteri. Sama seperti tanaman hias Anthuriumbagian tanaman sepertiakar, batang, dan daun adalah bagian yang sering terserang penyakit. Pada penelitian ini penyakit yang diteliti adalah penyakit yang menyerang daun. Berikut adalah dua penyakit yang menyerang tanaman padi yang dibahas dalam penelitian ini:
1 Tungro
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 4).
Gambar 4 Tungro pada Padi. 2 Blas (Leaf Blast)
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 5 Blaspada Padi.
Penyakit ini dikendalikan melalui penanaman varietas lahan secara bergantian untuk mengantisipasi perubahan ras blas yang sangat cepat dan dengan cara pemupukan NPK yang tepat.
3 Bercak Coklat (Brown Spot)
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 6).
Gambar 6 Bercak coklat pada Padi. 4 Hawar Daun Bakteri (Bacterial Leaf
Blight)
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).
Gambar 7 Hawar daun pada Padi. Algoritme Zooming
Algoritme Zooming adalah metode yang ditujukan untuk menambah atau mengurangi jumlah piksel pada sebuah citra digital. Piksel baru dibuat dengan cara mengambil informasi dari piksel tetangganya yang terdekat dari citra original.
Setiap tanaman memiliki ukuran luas spot yang berbeda, hal ini dapat menyebabkan efek signifikan dalam proses penglasifikasian
penyakit. Dengan demikian, metode
interpolasi perlu diterapkan untuk fractional zooming untuk menormalkan ukuran spot (Phadikar dan Jaya Sil 2009).
Algoritme zooming sebagai berikut: 1 Langkah pertama adalah menentukan
faktor skala dan dengan adalah ukuran dari citra baru dan adalah ukuran dari citra asli.
2 Untuk langkah kedua:
a Semua titik piksel dari citra asli yang terletak diposisi ( ditempatkan di posisi sesuai dengan persamaan berikut:
(1) dengan dan adalah faktor skala yang telah ditentukan di langkah sebelumnya. Hasil posisi baru seperti yang ditunjukkan pada area berwarna kuning dengan nilai gray dan (Gambar 8).
b Pilih baris pertama dan tentukan kolom yang akan dihitung titik pikselnya. Titik itu merupakan titik tengah. Misalkan titik itu adalah titik (Gambar 8) yang berada di antara titik dan . Kemudian kita hitung dengan menggunakan persamaan:
dengan 1 dan adalah jarak antara titik ke dan titik ke .
c Untuk menentukan nilai dari titik yang belum dihitung sebelumnya misalkan titik (Gambar 8), dihitung berdasarkan nilai rata-rata empat tetangganya. Sebagai catatan, hanya titik-titik yang nilainya telah dihitung di langkah sebelumnya yang dapat digunakan untuk mendapatkan nilai dari titik .
Gambar 8 Ilustrasi Algoritme Zooming.
Fast Fourier Transform
Metode yang digunakan dalam
pemrosesan citra digital dapat dibagi menjadi dua kelompok, yaitu metode spatial dan metode frequency. Pada metode spatial,
pemrosesan dilakukan dengan cara
memanipulasi nilai piksel dari citra tersebut
secara langsung, sedangkan metode
frequency, informasi citra digital ditransformasikan lebih dulu dengan fast fourier transform (FFT), kemudian dilakukan manipulasi pada hasil transformasi tersebut (Nugroho 2005).
FFT dari , didefinisikan sebagai berikut:
dengan
(3) jika diketahui maka dapat diperoleh dengan Inverse FFT berikut:
Persamaan 3 dan 4 di atas disebut dengan pasangan FFT. Jika adalah bilangan real, biasanya merupakan bilangan kompleks yang bisa diuraikan menjadi:
Persamaan di atas juga sering dituliskan sebagai:
dengan adalah magnitude dari ,
yang diperoleh dari :
Fungsi magnitude disebut juga spektrum fourier dari , dan disebut dengan sudut fase dari .
Jika dijadikan diskrit maka persamaan FFTdiskrit adalah:
dan Untuk menganalisis citra pada frequency domain, hasil transformasi dapat ditampilkan sebagai citra, dimana intensitasnya proporsional dengan besarnya atau spektrum fourier. Namun karena dynamic range dari spektrum fourier biasanya sangat besar, maka sebelum ditampilkan sebagai citra harus diubah menjadi:
(11)
dengan adalah konstanta. Selanjutnya yang ditampilkan sebagai citra adalah nilai dari .
Spektrum fourier yang telah memiliki dynamic range yang lebih kecil kemudian dihitung berdasarkan nilai parameter statistik untuk mendapatkan ekstraksi ciri tekstur. Metode pengambilan ciri yang didasarkan pada karakteristik histogram spektrum fourier. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri yaitu mean, varians, beda nilai aras maksimum dan minimum (selanjutnya disebut bedaan1), beda nilai aras maksimum dengan nilai mean (selanjutnya disebut bedaan2), standar deviasi, skewness, kurtosis, entropi, dan nilai piksel tertinggi.
a Mean (μ)
Menunjukkan ukuran dispersi dari suatu citra (Nisa 2006). Untuk menghitung mean
dengan f
n merupakan suatu nilai intensitas keabuan, sementara p(f
n) menunjukkan nilai probabilitas kemunculan intensitas tersebut pada citra.
b Variance (σ2)
Untuk menghitung variance digunakan persamaan berikut:
dengan f
n merupakan suatu nilai intensitas keabuan, merupakan nilai mean, sementara p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra.
c Standar Deviasi
Menunjukkan tebing-tebing tajam (strong edges) pada citra (Nisa 2006). Untuk menghitung Standar Deviasi digunakan persamaan berikut:
dengan f
n merupakan suatu nilai intensitas keabuan, merupakan nilai mean, sementara p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra.
d Skewness (α
3)
Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra (Nisa 2006). Untuk menghitung skewness digunakan persamaan berikut:
dengan f
n merupakan suatu nilai intensitas keabuan, merupakan nilai mean, sementara p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra.
e Kurtosis (α
4)
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra (Nisa 2006). Untuk menghitung kurtosis digunakan persamaan berikut:
dengan f
n merupakan suatu nilai intensitas keabuan, merupakan nilai mean, sementara p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra.
f Entropy (H)
Menunjukkan ukuran ketidakaturan bentuk dari suatu citra (Nisa 2006). Untuk menghitung entropy digunakan persamaan berikut:
dengan p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra. g Bedaan1
Untuk menghitung Bedaan1 digunakan persamaan berikut:
dengan p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra. h Bedaan2
Untuk menghitung Bedaan2 digunakan persamaan berikut:
dengan menunjukkan nilai mean, sementara p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra.
i Nilai piksel tertinggi
Untuk menghitung Nilai piksel tertinggi digunakan persamaan berikut (Nisa 2006): dengan p(f
n) menunjukkan probabilitas kemunculan intensitas tersebut pada citra.
Local Binary Patterns
Local Binary Pattern (LBP) merupakan
metode yang digunakan untuk
mendeskripsikan pola-pola tekstur lokal pada citra dengan mode warna grayscale (Kulsum
2010). LBP menggunakan delapan
ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar 9. Notasi merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas
(threshold) untuk memotong setiap nilai piksel ketetanggaan.
Gambar 9 Circular neighborhood delapan sampling points.
Kode LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya.
LBP dapat diformulasikan sebagai berikut: μ
(22) dengan dan adalah koordinat pusat piksel ketetanggaan, adalah circular sampling points, adalah banyaknya sampling points, adalah nilai keabuan dari , adalah nilai rata-rata piksel ketetanggaan dan piksel pusat, dan adalah sign (kode biner).
Selanjutnya kode-kode LBP
direpresentasikan melalui histogram. Ukuran citra adalah . Setelah mendapatkan nilai LBP pada setiap neighborhood (blok ), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram:
(24)
dengan K merupakan nilai LBP terbesar. Operator LBP mengalami perkembangan
dengan dimodelkannya operator
menggunakan berbagai ukuran sampling points dan radius. Gambar 10
memperlihatkan contoh circular
neighborhood tiga operator yaitu (8,1), (8,2), dan (16,2).
(8,1) (16,2) (8,2) Gambar 10 Beberapa ukuran circular
neighborhood.
LBP terdiri atas tiga descriptor, yaitu , VAR, dan LBPV. Pada penelitian ini
descriptor yang digunakan adalah .
Rotation Invariant Uniform Patterns
)
merupakan penggabungan antara
uniform patterns dengan rotation invariant. Notasi menunjukkan rotation invariant dan untuk uniform patterns pada sampling points P dan radius R.
1 Rotation Invariant
Rotation invariant adalah suatu cara yang dibuat agar pola-pola LBP tidak sensitif terhadap perubahan rotasi.
Contoh: LBP dapat
direpresentasikan dengan circular
neighborhood pada Gambar 11.
Gambar 11Rotation Invariant LBP. Rotation invariant didefinisikan sebagai nilai minimum dari rotasi ( ) -bit biner yang dilakukan sebanyak kali:
(25) dengan menunjukkan rotation invariant. 2 Uniform Patterns
Setiap pola-pola LBP mewakili informasi yang penting dari suatu tekstur, ini dinamakan
“uniform patterns”. LBP dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 01110000 (2 transisi), dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan ( transisi) dan ( transisi) bukan merupakan uniform patterns. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area
persen dari tekstur merupakan uniform patterns (Ojala et al. 2002).
Gambar 12 Tekstur uniform patterns. Gambar 12 menunjukkan arti dari pola-pola uniform. Untuk mengidentifikasi uniform patterns digunakan formulasi sebagai berikut:
(26)
dengan merupakan uniform
patterns dari P banyaknya sampling points dan radius R, adalah circular sampling points, adalah nilai keabuan dari , dan adalah nilai keabuan rata-rata seluruh piksel neighborhood.
Jumlah pola yang dihasilkan uniform patterns adalah bins. Ketika uniform patterns dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi bins. Rotation invariant uniform patterns diformulasikan sebagai berikut: (27) Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika bukan uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns (Mäenpää 2003).
Probabilistic Neural Network
PNN merupakan Artificial Neural Network
(ANN) yang menggunakan teorema
probabilitas klasik (penglasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu et al. 2007).
f1 f2 f3 fk x 1 t 1 t 1 t Sum n Sum 2 Sum 1 Kelas Keputusan Lapisan Masukan Lapisan Pola Lapisan Penjumlahan Lapisan Keputusan Kelas n Kelas 2 Kelas 1
Gambar 13 Struktur Probabilistic Neural Network.
Struktur PNN seperti ditunjukkan pada Gambar 13 yang terdiri atas empat lapisan yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan terdiri atas nilai ciri yang akan diklasifikasikan pada kelas. Proses-proses yang terjadi setelah lapisan masukan adalah:
1 Lapisan pola (pattern layer), digunakan satu node pola untuk setiap data pelatihan yang digunakan. Setiap node pola, merupakan perkalian titik (dot product) dari vector masukan dengan vector bobot . Bobot
merupakan nilai data latih ke-i pada kelas ke-j. Nilai kemudian dibagi
dengan bias tertentu σ dan selanjutnya
dimasukkan ke dalam fungsi radial basis,
yaitu radbas(n)=exp(- ). Dengan
demikian persamaan yang digunakan pada lapisan pola seperti pada persamaan (28).
(28)
2 Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: (29)
dengan merupakan dimensi vektor ciri,
σ merupakan bias dan merupakan jumlah data latih pada kelas tertentu.
3 Lapisan keluaran (output layer), menghasilkan keputusan input masuk ke dalam suatu kelas. Input akan masuk kelas jika nilai paling besar dibandingkan kelas yang lainnya.