Lampiran 1
Tabel Hasil Pelatihan Citra
No File Citra Jenis Hasil Ekstraksi Fitur
1 Colletotrichum
Capsici
0.00633; 0.00009; 0.83212; 0.00003; 0.00094; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
2 Colletotrichum
Capsici
0.00633; 0.00009; 0.83212; 0.00003; 0.00094; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
3 Colletotrichum
Capsici
0.0045; 0.00009; 0.74159; 0.00011; 0.00161; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
4 Colletotrichum
Capsici
0.00431; 0.00026; 0.68372; 0.00006; 0.00297; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
5 Colletotrichum
Capsici
0.00689; 0.0001; 0.84276; 0.00004; 0.00135; ... 2.49263; 0.583258; 10.321665; 2.428576; -0.05158;
6 Colletotrichum
Capsici
0.0048; 0.00007; 0.868; 0.00003; 0.0007; ... 2.49263; 0.583258; 10.321665; 2.428576; -0.05158;
7 Colletotrichum
Capsici
0.00457 0.00017 0.85859 0.00004 0.00206; 2.49263 0.583258 10.321665 2.428576 -0.05158;
8 Colletotrichum
Capsici
0.00518 0.00021 0.83276 0.00013 0.00227; 2.49263 0.583258 10.321665 2.428576 -0.05158;
9 Colletotrichum
Capsici
55
Tabel Hasil Pelatihan Citra (lanjutan)
10 Colletotrichum
Capsici
0.00405 0.00018 0.74348 0.00007 0.00224; 2.49263 0.583258 10.321665 2.428576 -0.05158;
11 Colletotrichum
Capsici
0.00456 0.00007 0.84468 0.00003 0.00094; 2.49263 0.583258 10.321665 2.428576 -0.05158;
12 Colletotrichum
Capsici
0.01032 0.00015 0.77488 0.00007 0.00109; 2.49263 0.583258 10.321665 2.428576 -0.05158;
13 Colletotrichum
Capsici
0.00584 0.00009 0.88035 0.00004 0.00098; 2.49263 0.583258 10.321665 2.428576 -0.05158
14 Colletotrichum
Capsici
0.00427 0.00033 0.73402 0.00011 0.00385; 2.49263 0.583258 10.321665 2.428576 -0.05158;
15 Colletotrichum
Capsici
0.00511 0.00011 0.84504 0.00004 0.00111; 2.49263 0.583258 10.321665 2.428576 -0.05158
16 Colletotrichum
Capsici
0.00418 0.00025 0.70043 0.00004 0.00203; 2.49263 0.583258 10.321665 2.428576 -0.05158;
17 Colletotrichum
Capsici
0.00428 0.00023 0.74584 0.00003 0.0025; 2.49263 0.583258 10.321665 2.428576 -0.05158;
18 Colletotrichum
Capsici
0.00515 0.00009 0.8436 0.00002 0.00081; 2.49263 0.583258 10.321665 2.428576 -0.05158;
19 Colletotrichum
Capsici
Tabel Hasil Pelatihan Citra (lanjutan)
20 Colletotrichum
Capsici
0.0044 0.00014 0.84569 0.00003 0.00096; 2.49263 0.583258 10.321665 2.428576 -0.05158
21 Colletotrichum
Capsici
0.004 0.00039 0.61521 0.00011 0.00368; 2.49263 0.583258 10.321665 2.428576 -0.05158;
22 Colletotrichum
Capsici
0.00406 0.00014 0.80879 0.00004 0.00128; 2.49263 0.583258 10.321665 2.428576 -0.05158
23 Colletotrichum
Capsici
0.00397 0.00022 0.64773 0.00006 0.00307; 2.49263 0.583258 10.321665 2.428576 -0.05158;
24 Colletotrichum
Capsici
0.00733 0.00018 0.01744 0.06282 0.00002; 0.394879 0.498527 0.140352 0.231646 3.281541
25 Colletotrichum
Capsici
0.00031 0.00224 0.00013 0.0066 0.01331; 1.991005 1.422213 0.162606 3.079113 0.95077
26 Colletotrichum
Capsici
0.0041 0.00008 0.79451 0.00002 0.00101; 2.49263 0.583258 10.321665 2.428576 -0.05158
27 Colletotrichum
Capsici
0.0043 0.00026 0.79523 0.00005 0.00374; 2.49263 0.583258 10.321665 2.428576 -0.05158;
28 Colletotrichum
Capsici
0.00689 0.0001 0.84276 0.00004 0.00135; 2.49263 0.583258 10.321665 2.428576 -0.05158
29 Colletotrichum
Capsici
57
Tabel Hasil Pelatihan Citra (lanjutan)
30 Colletotrichum
Capsici
0.00461 0.00027 0.77374 0.00015 0.00215; 2.49263 0.583258 10.321665 2.428576 -0.05158;
31 Gloeosporium
Piperatum
0.00491; 0.00031; 0.76002; 0.00014; 0.00284; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
32 Gloeosporium
Piperatum
0.00664; 0.00033; 0.76848; 0.0002; 0.00266;... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
33 Gloeosporium
Piperatum
0.00727; 0.00036; 0.81243; 0.00008; 0.00237; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952
34 Gloeosporium
Piperatum
0.00475; l; 0.00051; 0.81296; 0.00008; ... 1.841271; 0.724006;
-1.131832; -1.504284; 3.073952;
35 Gloeosporium
Piperatum
0.00886 0.00141 0.71849 0.00016 0.00436; 2.49263 0.583258 10.321665 2.428576 -0.05158;
36 Gloeosporium
Piperatum
0.01124 0.00057 0.82483 0.00009 0.00174; 2.49263 0.583258 10.321665 2.428576 -0.05158;
37 Gloeosporium
Piperatum
0.00457 0.00046 0.76936 0.00011 0.00339; 2.49263 0.583258 10.321665 2.428576 -0.05158;
38 Gloeosporium
Piperatum
0.0066 0.00072 0.76017 0.00018 0.00364; 2.49263 0.583258 10.321665 2.428576 -0.05158;
39 Gloeosporium
Piperatum
Tabel Hasil Pelatihan Citra (lanjutan)
40 Gloeosporium
Piperatum
0.00573 0.00028 0.78945 0.00014 0.00211; 2.49263 0.583258 10.321665 2.428576 -0.05158
41 Gloeosporium
Piperatum
0.00541 0.00039 0.77035 0.00001 0.00326; 0.394879 0.498527 0.140352 0.231646 3.281541;
42 Gloeosporium
Piperatum
0.01284 0.0003 0.75743 0.00008 0.00164; 2.49263 0.583258 10.321665 2.428576 -0.05158;
43 Gloeosporium
Piperatum
0.00432 0.0034 0.00555 0.02297 0.00001; 0.394879 0.498527 0.140352 0.231646 3.281541;
44 Gloeosporium
Piperatum
0.00055 0.00361 0.00018 0.00455 0.01075; 1.991005 1.422213 0.162606 3.079113 0.95077;
45 Gloeosporium
Piperatum
0.00468 0.00035 0.74916 0.00029 0.0024; 2.49263 0.583258 10.321665 2.428576 -0.05158;
46 Gloeosporium
Piperatum
0.00403 0.00046 0.73823 0.00006 0.00272; 2.49263 0.583258 10.321665 2.428576 -0.05158;
47 Gloeosporium
Piperatum
0.0044 0.00127 0.67442 0.0001 0.00556; 0.394879 0.498527 0.140352 0.231646 3.281541;
48 Gloeosporium
Piperatum
59
Tabel Hasil Pelatihan Citra (lanjutan)
49 Gloeosporium
Piperatum
0.00429 0.00056 0.00129 0.00478 0.00002; 0.394879 0.498527 0.140352 0.231646 3.281541;
50 Gloeosporium
Piperatum
1.991005 1.422213 0.162606 3.079113 0.95077; 1.991005 1.422213 0.162606 3.079113 0.95077;
51 Gloeosporium
Piperatum
0.00516 0.00035 0.71187 0.00039 0.00434; 2.49263 0.583258 10.321665 2.428576 -0.05158;
52 Gloeosporium
Piperatum
0.00064 0.00349 0.00081 0.01049 0.01789; 0.333165 1.991005 1.422213 0.162606 3.079113;
53 Gloeosporium
Piperatum
0.00528 0.00074 0.73199 0.0004 0.00617; 2.49263 0.583258 10.321665 2.428576 -0.05158;
54 Gloeosporium
Piperatum
0.00502 0.00069 0.7582 0.00033 0.00584; 2.49263 0.583258 10.321665 2.428576 -0.05158
55 Gloeosporium
Piperatum
0.00394 0.00033 0.71174 0.00005 0.00228; 2.49263 0.583258 10.321665 2.428576 -0.05158;
56 Gloeosporium
Piperatum
0.00416 0.00009 0.7731 0.00001 0.00076; 2.49263 0.583258 10.321665 2.428576 -0.05158;
57 Gloeosporium
Piperatum
Tabel Hasil Pelatihan Citra (lanjutan)
58 Gloeosporium
Piperatum
0.00553 0.00014 0.7329 0.00007 0.00207; 2.49263 0.583258 10.321665 2.428576 -0.05158
59 Gloeosporium
Piperatum
0.00452 0.00017 0.64521 0.00009 0.00309; 2.49263 0.583258 10.321665 2.428576 -0.05158;
60 Gloeosporium
Piperatum
0.00576 0.00028 0.81525 0.00011 0.00174; 2.49263 0.583258 10.321665 2.428576 -0.05158;
61 Normal 0.00394; 0; 0.82811; 0; 0.00003;
... 2.49263; 0.5832; 10.321665; 2.428576; -0.05158;
62 Normal 0.00393; 0.00001; 0.8427; 0; 0.00007;
... 2.49263; 0.58325; 8; 10.321665; 2.428576;
63 Normal 0.00392; 0; 0.85192; 0; 0; ... 2.49263; 0.58325; 8; 10.321665; 2.428576;
64 Normal 0.00394; 0; 0.8307; 0; 0.00001;
... 0.58325; 8; 10.321665; 2.428576; -0.05158;
65 Normal 0.0039 0.00001 0.79225 0 0.00003;
1.991005 1.422213 0.162606 3.079113 0.95077;
66 Normal 0.0045 0 0.00022 0.0702 0; 0.394879
61
Tabel Hasil Pelatihan Citra (lanjutan)
67 Normal 0.00391 0 0.78414 0 0.00003;
0.394879 0.498527 0.140352 0.231646 3.281541;
68 Normal 0.00438 0.00001 0.00303 0.07717 0;
1.991005 1.422213 0.162606 3.079113 0.95077;
69 Normal 0.00392 0.00007 0.76833 0 0.0002;
1.991005 1.422213 0.162606 3.079113 0.95077;
70 Normal 0.00372 0.00006 0.00511 0.0767 0;
0.394879 0.498527 0.140352 0.231646 3.281541;
71 Normal 0.00009 0.00769 0 0.00045 0.00794;
0.457 0.500797 0.06135 -0.008132 0.333165;
72 Normal 0.0039 0 0.83688 0 0; 0.394879
0.498527 0.140352 0.231646 3.281541;
73 Normal 0.0039 0 0.84868 0 0.00001;
1.991005 1.422213 0.162606 3.079113 0.95077;
74 Normal 0.00275 0.00001 0.00058 0.04674 0;
0.394879 0.498527 0.140352 0.231646 3.281541;
75 Normal 0 0.00102 0 0.00003 0.00469; 2.49263
Tabel Hasil Pelatihan Citra (lanjutan)
76 Normal 0.0039 0 0.83114 0 0; 2.49263
0.583258 10.321665 2.428576 -0.05158
77 Normal 0.00391 0 0.84283 0 0; 0.394879
0.498527 0.140352 0.231646 3.281541;
78 Normal 0.00391 0 0.84311 0 0.00003;
0.394879 0.498527 0.140352 0.231646 3.281541
79 Normal 0.00391 0 0.84676 0 0; 0.394879
0.498527 0.140352 0.231646 3.281541;
80 Normal 0.0039 0 0.83776 0 0; 0.394879
0.498527 0.140352 0.231646 3.281541;
81 Normal 0.00391 0 0.85587 0 0.00001; 2.49263
0.583258 10.321665 2.428576 -0.05158;
82 Normal 0.00391 0 0.81939 0 0.00001; 2.49263
0.583258 10.321665 2.428576 -0.05158;
83 Normal 0.00392 0 0.84051 0 0.00001;
0.394879 0.498527 0.140352 0.231646 3.28154;
84 Normal 0.00395 0 0.83761 0 0.00002;
63
Tabel Hasil Pelatihan Citra (lanjutan)
85 Normal 0.00393 0 0.84376 0 0; 2.49263
0.583258 10.321665 2.428576 -0.05158;
86 Normal 0.00393 0 0.85506 0 0; 2.49263
0.583258 10.321665 2.428576 -0.0515;
87 Normal 0.00391 0 0.8088 0 0.00001; 2.49263
0.583258 10.321665 2.428576 -0.05158;
88 Normal 0.0039 0 0.81908 0 0.00005; 2.49263
0.583258 10.321665 2.428576 -0.05158;
89 Normal 0.00391 0 0.83152 0 0.00003;
0.394879 0.498527 0.140352 0.231646 3.281541
90 Normal 0.0039 0 0.85845 0 0; 2.49263
65
Hasil Pengujian Citra (lanjutan)
67
Hasil Pengujian Citra (lanjutan)
69
Hasil Pengujian Citra (lanjutan)
Hasil Pengujian Citra (lanjutan)
39
G49_2 jpg
Gloeosporium Piperatum
Gloeosporium
Piperatum Benar
40
G50_2 jpg
Gloeosporium Piperatum
Gloeosporium
Piperatum Benar
41
N31 jpg
Normal Normal Benar
42
N32 jpg
Normal Normal Benar
43
N33 jpg
Normal Normal Benar
44
N34 jpg
71
Hasil Pengujian Citra (lanjutan)
45
N35 jpg
Normal Normal Benar
46
N36 jpg
Normal Normal Benar
47
N37 jpg
Normal Normal Benar
48
N38 jpg
Normal Normal Benar
49
N39 jpg
Normal Normal Benar
50
N40 jpg
Hasil Pengujian Citra (lanjutan)
51
N41 jpg
Normal Normal Benar
52
N42 jpg
Normal Normal Benar
53
N43 jpg
Normal Normal Benar
54
N44 jpg
Normal Normal Benar
55
N45 jpg
Normal Normal Benar
56
N46 jpg
73
Hasil Pengujian Citra (lanjutan)
57
N47 jpg
Normal Normal Benar
58
N48 jpg
Normal Normal Benar
59
N49 jpg
Normal Normal Benar
60
N50 jpg
Alsmadi, M.K.S, Omar, K., & Noah, S. A (2009) Back Propagation Algorithm: The Best Algorithm Among the Multi-layer Perceptron Algoritma. International
Journal of Computer Science and Network Security, 9 (4), PP.378-383.
Anggraini, N. 2015. Klasifikasi Kanker Serviks Menggunakan Jaringan Syaraf Tiruan Backpropagation dengan Graphical User Interface (GUI). Skripsi. Univeritas
Negeri. Yogyakarta.
Boerma, Y. 1992. Kerusakan Cabe (Capsicum annum L.) oleh Antraknose yang Dipasarkan pada Beberapa Kota di Sumatera Barat . Skripsi.
Universitas Andalas. Padang.
Deswari, D., Hendrick & Derisma. 2013. Identifikasi Kematangan Buah Tomat Menggunakan Metoda Backpropagation. Jurnal Sistem Komputer Unand, Vol2.
Dinata, S. 2014. Implementasi Metode Multiscale Retinex untuk Image Enhancement. Skripsi. Universitas Sumatera Utara.
Fatmawati, D. 2010. Implemantasi Metode Peregangan Kontras (Contrast Stretching) untuk Memperbaiki Kualitas Citra. Skripsi. Universitas Sumatera Utara.
Medan.
Fausset, L. 1994. Fundamental of Neural Network: Architecture Algoritma, and Application. New Jersey : Prentice-Hall
52
Haykin, S. (1999). Neural Network: A Comprehensive Foundation. New York: Prentice Hall.
Hermawan, A. (2006). Jaringan Syaraf Tiruan (Teori dan Aplikasi). Andi: Yogyakarta.
Hermawati, A.F. (2013). Pengolahan Citra Digital. Andi: Yogyakarta.
Hidayat, I. M., I. Sulastrini, Y. Kusandriani dan A. H. Permadi. 2004. Lesio sebagai Komponen Tanggap Buah 20 Galur dan atau Varietas Cabai Terhadap Inokulasi Colletotrichum capsici dan Colletotrichum gloeosporioides. The Journal of Horticultural Science and Biotechnology (JHSB) . 14 (3) : 161-162.
Kadir, A. & Susanto, A. 2013. Teori dan Aplikasi Pengolahan Citra. Andi : Yogyakarta.
Kusumadewi, S. & Hartati, S. (2010). Neuro Fuzzy: Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi 2. Graha Ilmu: Yogyakarta.
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Graha Ilmu: Yogyakarta.
Mccaffrey, J. 2012. Neural Network Using C#. Syncfusion: Morrisville.
Nakaya, S.C., Shankar, A.C.U., Niranjana, S.R, Prakhas, H.S. & Mortense, C.N. 2009. Anthracnose Disease of Chilli Pepper. Technical Bulletin.
Nunuhitu, L.F. 2011. Deteksi Jenis Penyakit dan Pengobatannya Pada Daun Tanaman Cabai Berbasis Metode Laplacian of Gaussian.Skripsi. Universitas
Pembangunan Nasional “Veteran”.
Putra, D. 2010. Pengolahan Citra Digital. Andi : Yogyakarta.
Rakhmawati, P. R. 2013. Sistem Deteksi Jenis Bunga Menggunakan Nilai HSV dari Citra Mahkota Bunga. Skripsi. Universitas Stikubank Semarang.
Setiawan, S. 1993. Artificial Intelligence. Andi Offset: Yogyakarta.
Supriyadi, D. (2012). Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation. Tesis.
Universitas Diponegoro.
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini membahas tentang implementasi neural network backpropagation dalam identifikasi jamur penyebab penyakit Antraknosa pada cabai. Bab ini juga membahas tentang data yang digunakan, pre-processing dan feature extraction yang dilakukan terhadap setiap data.
3.1. Arsitektur Umum
Identifikasi jamur penyebab penyakit Antraknosa pada cabai pada penelitian ini terdiri dari beberapa langkah yang diawali dengan pengumpulan citra digital cabai yang tidak terjangkit jamur dan citra digital cabai yang terjangkit jamur yang akan digunakan sebagai data pelatihan dan data pengujian, kemudian dilanjutkan dengan melakukan pre-processing yaitu image enhancement yang bertujuan untuk memperbaiki kualitas
citra agar mendapatkan citra yang lebih baik. Image enhancement sendiri terdiri dari beberapa metode, dan yang akan digunakan pada penelitian ini adalah contrast stretching dan image brightness. Selanjutnya akan dilakukan proses feature
extraction untuk mendapatkan ciri atau feature yang terdapat pada citra yang
kemudian akan diolah untuk mendapatkan informasi dengan menggunakan metode HSV. Dan kemudian akan dilakukan proses klasifikasi menggunakan metode neural
network backpropogation untuk mendapatkan hasil akhir.
3.2. Image Enhancemet
Tahap pre-processing merupakan tahap pengolahan gambar yang bertujuan untuk mendapatkan citra yang lebih baik yang kemudian citra tersebut akan digunakan untuk melakukan tahap feature extraction. Pada penelitian ini akan dilakukan beberapa tahap image enhancement yaitu, image brightness, contrast stretching dan image sharpening, sebagaimana pada gambar 3.2
Training Data
Citra Latih
Testing Data
Citra Uji
Feature Extraction
Classification
Hasil Identifikasi (Jenis Jamur)
Gambar 3.1 Arsitektur Umum Sistem
Akuisisi Citra Cabai
Input
Output
21
Gambar 3.2. Proses image enhancement
3.2.1. Image Brightness & Contrast
Image brightness adalah tahapan untuk melakukan perbaikan citra. Tahap ini akan mengatur tingkat kecerahan suatu citra dengan maksud untuk mengatur kecerahan citra. Pada penelitian ini, citra akan dinaikkan kecerahannya sebanyak 10 tingkat.
3.2.2. Contrast Stretching
Selanjutnya citra yang telah diproses pada tahap image brightness akan diproses pada contrast stretching. Contrast strestching adalah tahapan untuk mengatur kontras citra sehingga didpatkan kontras pada citra yang lebih baik dan jelas. Seperti dengan image brightness, pada penelitian ini, tingkat kontras akan dinaikkan sebanyak 10 tingkat
Gambar 3.3. Hasil image brightness dan contrast
3.2.3. Image Sharpening
Kemudian setelah proses contrast stretching selesai akan dilakukan proses image sharpening. Tahap dimana citra akan dipertajam pada bagian tepi sehingga kemudian
Image Enhancement
Image Brightness
Image Sharpening Contrast Stretching
akan mudah untuk melakukan feature extraction. Contoh proses image sharpening citra ditunjukkan pada Gambar 3.4.
Gambar 3.4. Hasil image sharpening
3.3. Feature Extraction
Setelah dilakukan proses pre-processing, maka akan dilanjutkan pada proses feature extraction untuk mendapatkan cira yang terdapat pada citra. Pada penelitian ini metode yang akan digunakan adalah HSV. Sebagaimana yang ditunjukkan pada gambar 3.5.
Gambar 3.5. Proses feature extraction
3.3.1. HSV
Ekstraksi fitur deteksi warna HSV digunakan agar dapat memilah warna-warna yang ada pada citra yang bekerja seperti pengelihatan mata manusia sehingga dapat mengenali warna pada citra yang baik. Proses untuk mendapat nilai fitur warna, dimulai dengan konversi citra RGB menjadi citra HSV. Citra warna terdiri dari 24-bit dimana setiap piksel mengandung warna dasar RGB yang masing – masing warna memililki nilai warna yang berada pada rentang 0-255. Gambar 3.4 merupakan representasi piksel pada citra cabai.
Feature Extraction
HSV
23
Gambar 3.6. Representasi piksel citra cabai
Gambar yang direpresentasikan pada Gambar 3.3 adalah citra cabai yang berukuran 1024 x 1024 piksel dan cita yang dipotong dengan ukuran 25 piksel (5 x 5). Proses perhitungan nilai HSV pada citra cabai akan direpresentasikan pada potongan citra berukuran 25 piksel seperti pada Gambar 3.4
Gambar 3.7. Citra 25 (5x5) Piksel
Adapun nilai RGB (Red, Green, Blue) pada citra 25 piksel adalah :
P1 = (255, 165, 0) P14 = (139, 54, 38) P2 = (238, 106, 80) P15 = (255, 99, 71) P3 = (205, 79, 57) P16 = (255, 64, 64) P4 = (255, 69, 0) P17 = (238, 118, 0) P5 = (255, 165, 79) P18 = (139, 35, 35) P6 = (205, 133, 0) P19 = (205, 102, 29) P7 = (139, 69, 0) P20 = (255, 127, 0) P8 = (139, 62, 47) P21 = (205, 0, 0) P9 = (238, 64, 0) P22 = (205, 38, 38) P10 = (255, 48, 48) P23 = (139, 37, 0) P11 = (255, 127, 36) P24 = (238, 59, 59)
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
P12 = (205, 133, 63) P25 = (139, 26, 26) P13 = (238, 154, 73)
Diperlukan normalisasi terlebih dahulu sebelum melakukan koversi RGB ke HSV. Persamaan yang digunakan untuk normalisasi citra RGB adalah sebagai berikut
(3.1)
(3.2)
(3.3)
Dengan menggunakan persamaan 3.1 sampai 3.3, maka akan dihasilkan hasil normalisasi sebagai berikut:
P1 = (255/255, 165/255, 0/255) = (1, 0.64, 0)
25
Setelah dilakukan normalisasi dengan persamaan 3.1 sampai 3.3 dan didapatkan hasilnya, maka nilai piksel kemudian akan diubah sesuai dengan nilai RGB yang dinormalisasi, yang dapat dilihat pada Tabel 3.1
Tabel 3.1. Nilai piksel RGB citra cabai yang dinormalisasi
Setelah nilai normalisasi RGB selesai, maka tahap selanjutnya dilakukan konversi citra RGB menjadi citra HSV dengan persamaan 2.4 sampai 2.6. Tabel konversi hasil citra dapat dilihat pada Tabel 3.2
Tabel 3.2. Nilai Piksel HSV
27
Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin (1)
Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin (2)
29
Tabel 3.3. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin (3)
154 1 0 0 157 1 0.5 0 160 1 1 0
155 1 0 0.5 158 1 0.5 0.5 161 1 1 0.5
156 1 0 1 159 1 0.5 1 162 1 1 1
Kuantisasi warna dengan menggunakan histogram HSV-162bin dibagi menjadi nilai H yang terdiri dari 0, 1/17, 2/17, 3/17, 4/17, ....17/17, kemudian nilai S terdiri dari 0, 1/2, 2/2 dan nilai V terdiri dari 0, 1/2, 2/2. Kuantisasi ruang warna disusun dengan mengkombinasikan nilai H, S dan V.
Piksel (0, 0) = (H x 18 / 360 , S x 3/ 100, V x 3 / 100) = (26 x 18 / 360 , 97 x 3/ 100, 93 x 3 / 100) = (1, 2, 2)
Pada piksel (0,0) nilai H termasuk pada bagian 1/17, nilai S masuk pada bagian 2/2 dan nilai V termasuk pada bagian 2/2. Hasil dari piksel (0,0) yaitu (0.588, 1, 1) maka berdasarkan Tabel Kuantisasi Warna dari Histogram HSV-162 bin, piksel (0,0) termasuk pada kategori bin 99.
Histogram warna disusun berdasarkan ruang warna HSV sesuai dengan kuantisasi pada Tabel 3.1 sampai 3.3. Hasil kuantisasi yang telah dinormalisasi dari tiap bin membentuk sebuah histogram HSV-162 .
3.4. Klasifikasi Neural Network Backpropogation
Gambar 3.8. Proses classification
3.4.1. Tahap Perancangan Arsitektur Jaringan Neural Network Backpropogation
Sebelum melakukan tahap pelatihan, jaringan backpropagation harus dirancang terlebih dahulu. Pada penelitian ini, arsitektur jaringan backpropagation yang akan dirancang terdiri dari 162 neuron pada lapisan input, 3 neuron pada lapisan tersembunyi, dan 3 neuron pada lapisan output. Jumlah neuron pada lapisan input ditentukan berdasarkan jumlah dari hasil ekstraksi fitur. Sedangkan neuron pada lapisan output ditentukan berdasarkan nilai target keluaran. Target keluaran dapat dilihat pada Tabel 3.4.
Tabel 3.4. Target keluaran jaringan backpropagation
NO. Jenis Cabai Target Keluaran
1 Normal 100
2 Colletotrichum Capsici 010
3 Gloeosporium Piperatum 001
Pada penelitian ini, rancangan arsitektur jaringan saraf tiruan dapat dilihat pada gambar 3.6
Classification
Neural network backpropagation
31
Gambar 3.9. Arsitektur jaringan saraf tiruan
Adapun penjelasan dari rancangan arsitktur jaringan saraf tiruan pada gambar 3.5 adalah sebagai berikut.
1. Lapisan input memiliki 162 neuron ditambah 1 buah bias, lapisan tersembunyi memiliki 165 neuron dengan ditambah 1 bias dan lapisan ouput memiliki 3 neuron.
2. x1 sampai dengan x162 adalah neuron pada lapisan input, z1 sampai dengan z165 adalah neuron pada lapisan tersembunyi dan y1 sampai dengan y3 adalah neuron pada lapisan ouput.
3. b1 merupakan bias yang menuju pada lapisan tersembunyi, sedangkan b2 adalah bias yang menuju lapisan output.
4. vij merupakan nilai bobot koneksi antara neuron i pada lapisan input dengan neuron j pada lapisan tersembunyi. Kemudian wjk adalah nilai bobot koneksi
antara neuron j pada lapisan tersembunyi dengan neuron k pada lapisan output. voj adalah bobot koneksi antara bias dengan neuron j pada lapisan tersembunyi
3.4.2. Tahap Pelatihan Backpropagation
Setelah jaringan terbentuk, maka tahap selanjutnya adalah pelatihan jaringan menggunakan backpropagation. Adapaun tujuan dari pelatihan jaringan backpropagation adalah untuk mengatur nilai bobot yang terdapat pada jaringan,
sehingga nilai error yang dihasilkan akan semakin kecil. Setelah pelatihan jaringan selesai dilakukan, bobot akhir pada proses pelatihan akan disimpan yang kemudian bobot akhir tersebut akan digunakan pada tahap pengujian. Proses pelatihan dapat dilihat pada Gambar 3.7.
Gambar 3.10. Proses pelatihan jaringan backpropagation
Pertama input data pelatihan ke dalam jaringan. Pada penelitian ini, terdapat 30 data pelatihan untuk setiap output, dimana terdapat 3 output sehingga total keseluruhan data adalah 90 data pelatihan. Pada setiap data masukan backpropagation terdiri dari 162 neuron input, dimana data tersebut didapatkan dari hasil ekstrasi fitur. Kemudian tentukan target kelas dari setiap data input, lalu lakukan inisiasi pada seluruh nilai bobot dan bias secara acak pada range 1 sampai -1, kemudian tentukan nilai parameter learning rate, minumum_error dan maksimum_epoch yang akan
Tentukan arsitektur jaringan (x input, z hidden, y output) Inisiasi semua bobot secara acak
Tentukan parameter backpropagation (learning rate, maksimal epoch, minimum error)
Input data pelatihan Tentukan class target
For epoch <= maksimum epoch
For jumlahdata <= maksimum jumlahdata
Hitung seluruh keluaran pada lapisan tersembunyi Hitung seluruh keluaran pada lapisan output Hitung seluruh error pada lapisan output
Hitung seluruh suku perubahan bobot pada lapisan output Hitung seluruh error pada lapisan tersembunyi
Hitung seluruh suku perubahan bobot pada lapisan tersembunyi Hitung seluruh suku perubahan bobot pada lapisan output Hitung seluruh suku perubahan bobot pada lapisan tersembunyi End for
If total_error >= minimum error Hentikan iterasi
End for
33
digunakan. Pelatihan akan terus berjalan selama nilai epoch lebih kecil dari nilai maksimum epoch yang ditentukan.
Fase forward dilakukan setelah proses inisiasi selesai dengan cara
menghitung seluruh nilai keluaran neuron yang terdapat pada lapisan tersembunyi (zj) dan lapisan output (yk) menggunakan persamaan 2.11 sampai 2.14. Fase backward kemudian dilakukan dengan menghitung faktor kesalahan pada lapisan output ( ) dan lapisan tersembunyi ( ) menggunakan persamaan 2.12 dan 2.15. Hasil dari perhitungan faktor kesalahan, kemudian akan digunakan untuk menghitung suku perubahan bobot pada lapisan output ( ) dan lapisan tersembunyi ( ) menggunakan persamaan 2.13 dan 2.16. Jumlah error kemudian dihitung pada data masukan dengan melakukan penjumlahan nilai error pada setiap output neuron, kemudian hitung jumlah error pada setiap epoch dengan menjumlahkan hasil penjumlahan error setiap data masukkan.
Apabila nilai error setiap epoch lebih kecil dari nilai minimum error yang telah ditentukan, maka iterasi akan berhenti dan begitu juga sebaliknya. Setelah iterasi berhenti, nilai bobot akhir kemudian akan disimpan untuk menjadi input bagi setiap tahap pengujian.
Proses Pelatihan Backpropagation
Tahap pelatihan backpropogation dilakukan untuk mendapatkan nilai bobot akhir yang kemudian akan digunakan untuk tahap pengujian. Berikut ini adalah uraian pelatihan jaringan backpropagation menggunakan 3 neuron input, 1 neuron hidden dan 1 neuron output.
a. Diberikan data dengan menggunakan input x1 sampai x3 dan target yang dapat dilihat pada tabel 3.5.
Tabel 3.5. Input dan Target
Data X1 X2 X3 Target
Gambar1 0.42 0.32 0.86 1
Gambar2 0.40 0.22 0.52 1
b. Inisiasi bobot awal dengan nilai antar 0 sampai 1
Inisiasi bobot koneksi antara lapisan input dan lapisan tersembunyi (Vji) seperti yang terlihat pada tabel 3.6.
Tabel 3.6. Bobot awal Vji
Data V10 V11 V12 V13
Gambar1 0.32 0.673 0.352 0.162
Inisiasi bobot koneksi antara lapisan tersembunyi dan lapisan output (Wkj) seperti yang terlihat pada tabel 3.7
Tabel 3.7. Bobot awal Wkj
Data W10 W11
Gambar1 0.786 0.472
c. Tentukan parameter learning rate, minimum error dan maksimum epoch.
Learning rate = 0.5
Minimum error = 0.01
Maksimum epoch = 2
d. Dilakukan iterasi selama epoch < maksimal epoch dan nilai error > minimum error
e. Lakukan langkah fase forward
Hitung nilai pada lapisan tersembunyi dengan menggunakan persamaan 2.11.
=
= =
1*(0.32) + 0.42*(0.673) + 0.32*(0.352) + 0.86*(0.16)
0.32 + 0.282 + 0.112 + 0.128 0.842
Kemudian hitung nilai keluaran zj pada node di lapisan tersembunyi menggunakan persamaan 2.12 (menggunakan fungsi aktivasi sigmoid biner).
=
35
Hitung nilai pada node di lapisan output menggunakan persamaan 2.13.
= = =
1*(0.786) + 0.69*(0.472) 0.786 + 0.32
1.11
Kemudian hitung nilai keluaran yk pada node di lapisan output menggunakan persamaan 2.14 (menggunakan fungsi aktivasi sigmoid biner).
=
= 0.75
f. Lakukan langkah – langkah pada fase backward.
Hitung faktor di unit keluaran � dengan menggunakan persamaan 2.15.
= (1 - 0.75) * 0.75 * (1 – 0.75) = 0.25 * 0.75 * 0.25
= 0.046
Hitung suku perubahan bobot � dengan menggunakan persamaan 2.16
= 0.5 * 0.046 * 1 = 0.025545 = 0.023 = 0.5 * 0.046 * 0.69 = 0.015
Hitung penjumlahan pada unit tersembunyi dengan menggunakan persamaan 2.17.
= 0.046 * 0.476 = 0.021
Hitung suku perubahan bobot dengan menggunakan persamaan 2.19.
= 0.5 * 0.0044 * 1 = 0.002 = 0.5 * 0.0044 * 0.42 = 0.001 = 0.5 * 0.0044 * 0.32 = 0.001 = 0.5 * 0.0044 * 0.86 = 0.001
g. Hitung perubahan bobot jaringan backpropagation.
Hitung bobot baru setiap node lapisan output menggunakan persamaan 2.20
= 0.786 + 0.0023 = 0.809
= 0.472 + 0.015 = 0.487
Hitung bobot baru setiap node lapisan tersembunyi dengan persamaan 2.21
= 0.32 + 0.002 = 0.322 = 0.673 + 0.001 = 0.674 = 0.352 + 0.001 = 0.353 = 0.162 + 0.001 = 0.163
h. Hitung nilai error jaringan dengan menambahkan jumlah nilai error setiap node pada lapisan output. Karena neuron output hanya satu maka,
Error = 0.0044
3.4.3. Tahap Pengujian Backpropagation
37
Kemudian dilakukan pengujian terhadap hasil keluaran setiap node pada lapisan output. Apabila hasil keluaran node lebih besar dari 0,5 maka nilai keluaran pada node tersebut akan diubah menjadi 1. Sebaliknya nilai keluaran pada node akan diubah menjadi 0 jika nilai keluaran pada node tersebut lebih kecil dari 0.
Proses Pengujian Backpropagation
Pada proses pengujian backpropagation, data uji akan menjadi input bagi jaringan backpropagation dan bobot yang digunakan adalah bobot hasil pelatihan. Berikut
adalah contoh langkah - langkah pengujian backpropagation dengan menggunakan nilai bobot hasil pelatihan.
Masukkan data uji ke dalam jaringan. Data uji ditunjukkan pada Tabel 3.8.
Tabel 3.8. Data uji
Data X1 X2 X3
Gambar4 0.55 0.31 0.64
Gunakan bobot hasil pelatihan seperti yang ditunjukkan pada Tabel 3.9 dan Tabel 3.10.
Tabel 3.9. Bobot Vkj baru
Bobot V10 V11 V12 V13
Nilai 0.33 0.11 0.354 0.534
Tabel 3.10. Bobot Wkj baru
Bobot W10 W11
Nilai 0.808 0.43
Hitung nilai pada node di lapisan tersembunyi dengan menggunakan persamaan 2.11.
=
=
=
1*(0.33) + 0.55*(0.11) + 0.31*(0.354) + 0.64*(0.534)
0.33 + 0.0605 + 0.11 + 0.348
Hitung nilai keluaran zj pada node di lapisan tersembunyi menggunakan persamaan 2.12
=
= 0.7
Hitung nilai pada node di lapisan output dengan menggunakan persamaan 2.13.
= = =
1*(0.808) + 0.7*(0.43) 0.808 + 0.301
1.109
Kemudian hitung nilai keluaran yk pada node di lapisan output menggunakan persamaan 2.14.
=
= 0.752
Nilai keluaran adalah 0.752, dimana 0.752 > 0.5. Maka nilai memenuhi target 1
3.5. Perancangan Sistem
Pada tahap ini akan dilakukan perancangan antarmuka dari sistem untuk mengklasifikasi jenis jamur penyebab penyakit Antraknosa pada cabai.
3.5.1. Perancangan Antarmuka
39
3.5.1.1. Rancangan Halaman Awal
Gambar 3.11. Rancangan Halaman Awal
Keterangan :
1. Logo dari sistem yang berupa gambar tanaman cabai. 2. Tombol untuk menampilkan halaman pelatihan 3. Tombol untuk menampilkan halaman pengujian
3.5.1.2. Rancangan Tampilan Halaman Pengujian dan Klasifikasi
Gambar 3.12. Rancangan Halaman Pengujian Sistem
LOGO
PELATIHAN PENGUJIAN PENGENALAN JAMUR PADA TANAMAN CABAI
browse reset identifikasi
Citra Input Citra Brightness &
Contrast Citra Sharpening
Hasil Ekstrasi Fitur
Hasil Klasifikasi
Keterangan
4 5 6
Keterangan :
1. Tombol browse untuk memilih citra cabai yang akan dideteksi. 2. Tombol reset untuk menghapus citra cabai yang salah
3. Tombol identifikasi untuk memulai pemrosesan pada sistem 4. Kotak 4 untuk menampilkan citra yang diinput
5. Kotak 5 untuk menampilkan citra yang telah di proses brightness dan contrast 6. Kotak 6 untuk menampilkan citra yang telah diproses sharpening
7. Kotak 7 untuk menampilkan hasil ekstraksi fitur
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi implementasi aplikasi klasifikasi jenis jamur penyebab penyakit Antraknosa pada cabai ke dalam bentuk pemrograman sesuai dengan rancangan sistem yang telah tertera pada Bab 3 serta membahas pengujian terhadap metode jaringan saraf tiruan backpropagation dalam melakukan klasifikasi 2 jenis jamur.
4.1.Implementasi Sistem
Pada tahap implementasi sistem, proses klasifikasi jenis jamur dimulai dari tahap pra pengolahan, tahap ekstraksi fitur dan tahap klasifikasi diimplementasikan ke dalam bahasa pemrograman Java.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membuat program klasifikasi jenis jamur adalah sebagai berikut.
1. Processor Intel® Core(TM)i5-2410M CPU @2.30GHz 2. Memory (RAM) 2.00 GB
3. Sistem Operasi Windows 7 Home Premium 32-bit 4. Kapasitas Hardisk 600 GB.
5. Netbeans IDE 7.1.2 6. JDK 1.8
4.1.2. Implementasi perancangan antarmuka sistem
Adapun implementasi perancangan sistem yang telah dibangun adalah sebagai berikut
Halaman Utama
pengguna, yaitu tombol pelatihan dan tombol pengujian.
Halaman Training Data
Pada halaman ini terdapat tiga panel yaitu panel peng-inputan data mengenai cabai yang terkena jamur Colletotrichum Capsici, Gloeosporium Piperatum dan cabai normal atau tidak terditeksi. Terdapat beberapa tombol pada halaman ini. Tiga buah tombol “Browse” dan tiga buah tombol “Reset” pada setiap panel, satu buah tombol “Lakukan Latihan Backpro”, serta menu bar “File”.
Halaman Pengujian Citra
Halaman pengujian citra adalah halaman dimana akan dilakukannya proses pengujian. Pada halaman ini terdapat satu menu bar “File”, tiga tombol, yaitu tombol “Browse”, tombol “Reset” dan tombol “Identifikasi” serta terdapat lima panel, yaitu panel “Citra Asli”, panel “Citra Brightness-Contrast”, panel “Citra Sharpening”, panel “Fitur Ekstraksi” dan panel “Hasil Pengujian”.
4.2.Pelatihan Citra
Penelitian ini menggunakan 90 data pelatihan yang terdiri dari 30 data cabai normal, 30 data cabai yang terserang Colletotrichum Capsici, dan 30 data cabai yang terserang Gloeosporium Piperatum. Citra yang digunakan untuk pelatihan adalah citra yang berukuran 1024x1024 pixel. Hasil pelatihan citra daun dapat dilihat pada tabel 4.1.
Tabel 4.1. Hasil Pelatihan Citra
No File Citra Jenis Hasil Ekstraksi Fitur
1 Colletotrichum
Capsici
0.00633; 0.00009; 0.83212; 0.00003; 0.00094; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
2 Gloeosporium
Piperatum
0.00491; 0.00031; 0.76002; 0.00014; 0.00284; ... 1.841271; 0.724006; -1.131832; -1.504284; 3.073952;
3 Normal 0.00394; 0; 0.82811; 0; 0.00003;
43
Hasil dari pelatihan citra lebih lengkap dapat dilihat pada lampiran 1.
4.3.Prosedur Operasional
Halaman awal ketika aplikasi pertama kali dijalankan, akan memunculkan dua tombol yaitu pelatihan citra dan pengujian citra. Pengguna dapat memilih tombol “Pelatihan” untuk masuk kehalaman pelatihan citra dan memilih tombol “Pengujian” untuk masuk kehalaman pengujian citra
4.3.1. Prosedur operasional pada halaman pelatihan citra
Hal pertama yang harus dilakukan sebelum menjalankan proses pelatihan citra adalah menambah data citra. Cara menambah data citra itu sendiri adalah dengan memilih data citra yang akan di input dengan mengklik tombol “Pilih Citra”, kemudian akan muncul kotak dialog untuk memilih citra yang akan di-input. Setelah data citra dipilih, selanjutnya akan ditampilkan list nama data citra pada panel yang tersedia sesuai dengan jenis jamur.
4.3.2. Prosedur operasional pada halaman pengujian citra
Hal pertama yang dilakukan sebelum menjalankan proses pelatihan citra adalah meng-input data citra yang akan diproses dengan meng-klik tombol “Browse”, lalu kemudian akan muncul kotak dialog yang digunakan untuk memilih citra yang akan digunakan. Pengguna dapat menghapus gambar yang dipilih dengan cara mengklik tombol “Reset”
Tombol “Identifikasi” berguna untuk melakukan proses identifikasi pada citra yang dipilih, dimulai dari proses enhancement, yaitu image brightness, contrast dan sharpening. Pada proses image brightness dan contrast, tingkatnya kecerahan dan
dari feature extraction yang telah dilakukan sebelumnya yaitu 162 fitur dan 1 bias. Lalu terdapat 3 hidden layer dengan 1 bias dan 3 output.
Adapun hasil dari proses enhancement akan ditampilkan pada panel “Citra - Brightness & Contrast” dan pada panel “Citra –Sharpening”. Hasil dari fitur ekstraksi akan ditampilkan pada panel “Fitur Ekstrasi” bagian kiri bawah halaman dan hasil dari pengujian citra akan tampil pada panel “Hasil Pengujian” bagian kanan bawah halaman. Halaman ini dapat dilihat pada gambar 4.1.
(a)
(b)
45
4.4.Pengujian Citra
Pada proses pengujian aplikasi, data yang akan digunakan sebagai input berjumlah 60 citra yang terdiri 20 citra cabai yang terkena Colletotrichum Capsici, 20 citra cabai yang terkena Gloeosporium Piperatum, dan 20 citra cabai normal. Hasil pengujian citra daun dapat dilihat pada tabel 4.2.
Tabel 4.2. Hasil Pengujian Citra
No Nama File Hasil Aplikasi Manual Status
1
C31_2.jpg
Colletotrichum
Capsici
Colletotrichum
Capsici Benar
2
G31_2 jpg
Gloeosporium Piperatum
Gloeosporium
Piperatum Benar
3
N31 jpg
Normal Normal Benar
Tabel 4.3. Data uji
Data Nilai
X1 0.00633
X2 0.00009
X3 0.83212
X4 0.00003
X0 1
Tabel 4.4. Bobot Vkj
Z1 Z2 Z3
X1 0.5 0.1 0.3
X2 -0.4 0.2 -0.3
X3 0.1 -0.1 0.4
X4 0.5 -0.5 0.2
X0 0.3 -0.3 0.1
Tabel 4.5. Bobot Wkj
Y
Z1 0.5
Z2 -0.4
Z3 0.1
Z0 0.5
=
= =
1*(0.3) + 0.00633*(0.5) + 0.00009*(-0.4) + 0.83212*(0.1) + 0.00003*(0.5)
47
1*(0.5) + 0.595406*(-0.1) + 0.405505*(0.3) + 0.607001*(0.6) 0.5 + (-0.0595406) + 0.1216515 + 0.3642006
0.9263115
Nilai keluaran adalah 0.716326, dimana 0.716326 > 0.2. Maka nilai memenuhi target 1
4.5. Pengujian Sistem
Dari hasil pengujian pada klasifikasi jenis jamur penyebab penyakit Antraknosa pada tanaman cabai didapat 54 data yang mempunyai output sesuai dengan yang diinginkan dari total data sebanyak 60 data dengan tingkat akurasi dalam proses pengklasifikasian sebesar 90% . Hasil dari nilai akurasi klasifikasi citra dapat dilihat pada persamaan 4.1
=
Adapun hasil error terjadi karena beberapa faktor seperti, pecahayaan pada saat pengambilan citra, ukuran jamur yang kecil yang terdapat pada cabai dan warna jamur yang tidak jelas.
BAB 5
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan mengenai metode yang diterapkan pada klasifikasi jenis jamur serta saran untuk pengembangan sistem pada penelitian yang selanjutnya.
5.1. Kesimpulan
Adapun kesimpulan yang dapat diambil dari hasil pengujian klasifikasi jenis jamur menggunakan jaringan saraf tiruan backpropagation adalah sebagai berikut:
1. Jaringan Saraf Tiruan backpropagation dapat digunakan sebagai metode klasifikasi jenis jamur sesuai dengan target yang telah ditentukan.
2. Parameter lain seperti learning rate berpengaruh terhadap kecepatan dalam proses pelatihan.
5.2. Saran
Adapun saran yang dapat diberikan oleh penulis terkait dengan penelitian ini untuk pengembangan selanjutnya adalah sebagai berikut:
1. Untuk penelitian selanjutnya diharapkan dapat melakukan klasifikasi jenis jamur dengan menggunakan metode ekstraksi fitur maupun metode klasifikasi yang lain.
2. Proses untuk mendapatkan hasil ekstraksi fitur setiap citra dilakukan dengan memilih citra yang akan diproses secara satu per satu. Diharapkan pada pengembangan selanjutnya dapat melakukan pemrosesan citra secara sekaligus. 3. Penelitian ini hanya mengklasifikasi 2 jenis jamur pada satu penyakit,
diharapkan pada penelitian selanjutnya dapat melakukan proses klasifikasi menggunakan jenis jamur dari penyakit yang lain.
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode neural network backpropagation pada image enhancement untuk mengidentifikasi jamur penyebab penyakit Antraknosa pada cabai.
2.1. Cabai (Capsicum annum L.)
Cabai adalah tumbuhan yang masuk kedalam anggota genus Capsicum. Buah cabai dapat digolongkan sebagai sayuran maupun bumbu, tergantung bagaimana cara penggunaannya. Cabai sebagai bumbu sangat populer di Asia Tenggara untuk penguat rasa makanan.
2.2. Antraknosa ( Pathek )
Antraknosa atau yang sering disebut dengan istilah “Pathek” adalah sebuah penyakit yang menyerang tanaman buah cabai. Antraknosa sendiri disebabkan oleh:
2.2.1. Colletotrichum Capsici
Pada jamur Colletotrichum Capsici gejala serangan yang ditimbulkan
adalah terdapatnya bintik-bintik kecil berwarna kehitaman dan berlekuk, pada buah
yang masih hijau atau yang sudah masak. Bintik-bintik ini tepinya berwarna kuning,
membesar dan memanjang. Bagian tengahnya menjadi semakin gelap (Than, 2008).
Dan cara untuk mengatasinya adalah dengan cara pengendalian yang dapat dilakukan
pada tanaman cabai yang terserang Colletotrichum capsici yaitu sanitasi,
memanfaatkan Trichoderma dan Gliocladium serta dapat pula dengan menggunakan
varietas tahan.
Gambar 2.1. Cabai yang terkena Colletotrichum Capsici
2.2.2. Gloeosporium Piperatum.
Pada jamur Gloeosporium Piperatum gejala yang terjadi pada cabai adalah buah
berbentuk cekung dan terdapat bintik-bintik hitam pada pinggiran buah.
Gambar 2.2. Cabai yang terkena Gloesporium Piperatum
2.3. Pengenalan Citra
8
level (Gonzales, et al. 2002). Sedangkan citra digital adalah citra dua dimensi yang dapat diolah oleh beberapa perangkat lunak tertentu (Kadir, et al. 2013) yang mempunyai nilai digital yang disebut pixel (picture elements).
2.3.1. Citra Warna
Pada setiap citra warna memiliki pixel untuk mewakili warna yang merupakan kombinasi dari tiga warna dasar yaitu RGB (Red Green Blue). 1 pixel warna diwakili oleh 3 byte yang setiap byte-nya mempresentasikan warna merah (Red), hijau (Green) dan biru (Blue). Setiap warna dasar memerlukan tempat penyimpanan 8 bit = 1 byte atau sama dengan gradasi warna sebanyak 255 warna yang berarti setiap pixel mempunyai 224 = 16 juta warna lebih (Sutoyo, et al. 2009).
2.4. Pengolahan Citra Digital (Digital Image Processing)
Menurut Kadir & Susanto (2013) pengolahan gambar citra atau digital image
processing adalah ilmu yang mempelajari tentang manipulasi dan modifikasi citra,
seperti perbaikan kualitas citra, pemilihan ciri citra (feature images) yang bertujuan
untuk analisis, dan transformasi citra (rotasi, skala, translasi), dengan menggunakan
komputer untuk mendapatkan hasil yang lebih baik. Pada proses pengolahan citra ini
bermaksud agar gambar awal yang memiliki gangguan lebih mudah untuk
diinterpretasikan dengan cara memanipulasikan citra menjadi citra lain.
Pada penelitian ini, pengolahan citra yang dilakukan terhadap sebuah citra
digital cabai adalah
2.4.1. Image Enhancement
Image enhancement merupakan sebuah proses awal pada pengolahan citra yang
bertujuan untuk meningkatkan kualitas citra agar memiliki format yang lebih baik.
Salah satu penyebab citra seringkali mengalami penurunan mutu (degradasi) adalah
citra cacat (noise). Noise adalah titik-titik yang terdapat pada citra yang bukan
merupakan suatu bagian dari citra, melainkan terjadi karena suatu sebab (Putra, 2010).
Tujuan dari image enhancement adalah untuk memperoleh informasi sesuai dengan
2.4.1.1. Image Brightness
Brightness adalah proses menambah terang/gelap sebuah gambar dengan menambah nilai derajat keabuan (xg) dengan nilai perubah brightness (kb).
Adapun rumus dari image brightness adalah sebagai berikut:
fo(x,y) = fi(x,y) + k 2.1
fo(x,y) : Nilai pixel pada titik x,y setelah brightness
fi(x,y) : Nilai pixel pada titik x,y citra asli
k : nilai penguatan citra
rumus diatas digunakan pada citra greyscale. Bila digunakan pada citra RGB akan
diturunkan sebagai berikut :
foR(x,y) = fiR(x,y) + k 2.2
foG(x,y) = fiG(x,y) + k 2.3
foB(x,y) = fiB(x,y) + k 2.4
foRGB(x,y) : Nilai pixel pada titik x,y citra RGB setelah brightness
fiRGB (x,y) : Nilai pixel pada titik x,y citra RGB asli
k : nilai penguatan citra
2.4.1.2. Contrast Stretching
Contrast stretching adalah teknik yang berguna untuk mendapatkan citra baru yang
memiliki kontras lebih baik dibandingkan citra asal. Citra yang berskala keabuan
dikatakan kontras rendah karena kurangnya pencahayaan atau kesalahan setting lensa
pada saat pengambilan citra sehingga distribusi warna cenderung pada jangkauan
keabuan yang sempit dan sebaliknya, citra yang memiliki kontras tinggi apabila
jangkauan keabuan lebih terdistribusi secara melebar (Kadir & Susanto, 2013). Proses
contrast stretching adalah proses yang bersifat point processing, dimana proses hanya
10
lain yang ada disekitarnya (Fatmawati, 2010). Kontras pada citra dibagi menjadi 3
kelompok, yaitu:
1. Citra Kontras Rendah
Citra kontras rendah mempunyai ciri-ciri yang sebagian besar komposisi
citranya adalah terang atau gelap dengan nilai keabuan piksel rentang 0
sampai 255.
2. Citra Kontras Bagus
Citra kontras bagus mempunyai nilai keabuan yang lebar tanpa ada nilai
keabuan yang mendominasi
3. Citra Kontras Tinggi
Citra kontras tinggi mempunyai nilai keabuan yang lebar, tetapi terdapat
area yang didominasi oleh warna gelap atau terang.
2.4.1.3. Image Sharpening
Image sharpening atau penajaman citra merupakan proses pengolahan citra yang
bertujuan untuk mempertajam tepi yang ada pada sebuah citra. Image sharpening
adalah kebalikan dari image smoothing, karena pada operasi ini, bagian citra yang
lembut akan dibuang (Sundani, et al. 2014). Image sharpening lebih berpengaruh
pada tepi objek, sehingga image sharpening sering disebut edge enhancement
2.4.2. Feature Extraction
Ektrasi fitur adalah pengambilan ciri atau feature pada sebuah citra yang nantinya nilai
yang didapatkan akan diproses atau dianalisis untuk mendapatkan suatu informasi
yang penting dan berguna (Kadir & Susanto, 2013). Ekstraksi fitur dilakukan dengan
cara menghitung jumlah pixel yang ada pada sebuah citra.
Pada penelitian ini, ekstraksi fitur warna yang digunakan pada buah cabai
adalah ruang warna HSV.
2.4.2.1. Deteksi Warna HSV
Model warna HSV adalah model warna yang mendefenisikan warna Hue, Saturation
dan Value. Pada model warna ini, Hue menyatakan nilai warna yang sebenarnya,
seperti merah, kuning dan violet. Hue digunakan untuk menentukan menentukan
dengan panjang gelombang cahaya. Saturation digunakan untuk menyatakan tingkat
kemurnian warna dengan mengindikasi berapa banyak warna putih yang ada pada
sebuah warna. Value adalah atribut yang digunakan untuk menyatakan banyaknya
cahaya yang diterima oleh mata tanpa memperdulikan warna.
Hue bernilai antara 0 sampai 1 yang berarti warna dimulai dari merah
melewati kuning, cyan, biru, hijau dan magenta dan kembali menjadi merah.
Saturation bernilai antara 0 sampai 1 yang berarti dimulai dari tidak tersaturutasu
(keabuan) sampai menjadi tersaturutasi penuh (tidak putih). Nilai value antara 0
sampai 1 yang berarti warna menjadi cerah.
Gambar 2.3 Model Warna HSV (Rakhmawati, 2013).
Hue adalah variable yang menyatakan warna merah hingga violet. Hue berguna untuk mengukur sudut sekitar roda warna (merah pada 0°, hijau 120°, dan biru di 240°). Nilai pada Hue berkisar antara 0° sampai dengan 360°. Saturation, yang bisa juga disebut purity, merupakan variable untuk menyatakan vibrancy dari sebuah warna. Semakin kecil nilai pada Saturation, maka warna yang ditampilkan condong ke warna abu. Skala nilai dari Saturation berkisar antara 0% hingga 100%. Value menunjukkan nilai kecerahan dari suatu warna berkisar antara 0% hingga 100% (Rakhmawati, 2013).
Untuk mendapakan nilai fitur pada warna dimulai dengan mengkonversi citra RGB menjadi citra HSV. Sebelum citra RGB dikonversi menjadi citra HSV maka nilai RGB perlu dinormalisasikan terlebih dahulu dengan persamaan berikut 2.5.
12
r : nilai red yang dinormalisasi g : nilai green yang dinormalisasi b : nilai blue yang dinormalisasi R : nilai red awal
G : nilai green awal B : nilai blue awal
Kemudian citra akan dikonversi menjadi citra HSV. Pertama akan dicari nilai Hue dengan persamaan 2.8 sebagai berikut.
mendapatkan hasil dari Hue akan dilakukan penghitungan untuk mencari hasil niali dari Saturation dan Value dengan menggunakan persamaan 2.7.
{
2.5. Neural Network (Jaringan Syaraf Tiruan)
Jaringan syaraf tiruan (JST) adalah sistem yang dapat merubah bentuk strukturnya
untuk memecahkan masalah yang ada berdasarkan infromasi yang diterima. Jaringan 2.5
2.6
syaraf tiruan merupakan bentuk pembelajaran yang tercipta karena terinspirasi dari
jaringan syaraf manusia, dengan beberapa asumsi, yaitu (Hermawan, 2006) :
1. Pemrosesan informasi yang terjadi pada elemen sederhana disebut neuron
2. Sinyal antar neuron saling berhubungan melalui saluran penghubung
3. Setiap saluran penghubung nilai bobot yang kemudian melakukan operasi
perkalian dengan sinyal yang ditransmisikan
4. Setiap neuron memberlakukakan fungsi aktivasi pada masukan total
Pada JST terdapat empat bagian utama, yaitu:
1. Neuron
Neuron atau node adalah sebuah unit/tempat memproses informasi. Setiap
neuron akan menerima input, lalu memproses input yang kemudian akan
menghasilkan output (Hermawan, 2006).
2. Layer
Terdapat 3 layer atau lapisan pada JST, yaitu layer masukan, layer
tersembunyi dan layer keluaran (Puspitaningrum, 2006).
Gambar 2.4 Pola jaringan syaraf tiruan (Hermawan, 2006)
3. Bobot
Bobot adalah nilai yang ada pada koneksi antar neuron. Pada setiap penghubung akan dilakukan operasi perkalian bobot dengan sinyal yang akan melewati penghubung tersebut.
4. Fungsi Aktivasi
14
2.6. Metode Backpropogation
Algoritma Backpropagation pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland yang digunakan pada jaringan syaraf tiruan yang dengan lapisan jamak atau multi-layer.
Algoritma Backpropagation adalah algoritma yang melatih jaringan dengan cara menyebarkan error dari lapisan output hingga ke input, yang mempunyai fungsi untuk mengevaluasi turunan agar mendapatkan target yang diinginkan (Puspitaningrum, 2006).
Algoritma ini banyak digunakan dan dikombinasikan dengan yang algoritman lain dan diterapkan pada aplikasi yang berbeda (Alsmadi et al, 2009)
Gambar 2.5 Arsitektur Backpropagation Algorithm (Fausset, 1994)
Beberapa faktor yang mempengaruhi keberhasilan algoritma backpropagation, antara lain:
1. Inisialisasi bobot
Bobot awal menentukan apakah jaringan akan mencapai global minima atau local minima kesalahan, dan seberapa cepat jaringan akan
konvergen.
2. Laju pembelajaran
Laju pembelajaran merupakan parameter jaringan dalam mengendalikan proses penyesuaian bobot. Nilai laju pembelajaran yang optimal bergantung pada kasus yang dihadapi. Laju pembelajaran yang terlalu kecil menyebabkan konvergensi jaringan menjadi lebih lambat, sedang laju pembelajaran yang terlalu besar dapat menyebabkan ketidakstabilan pada jaringan.
3. Momentum
Momentum digunakan untuk mempercepat pelatihan jaringan. Metode momentum melibatkan penyesuaian bobot ditambah dengan faktor tertentu dari penyesuaian sebelumnya.
Berikut ini adalah algoritma pelatihan backpropagation (Puspitaningrum, 2006) :
Langkah 0 : Inisiasi bobot (ambil bobot awal bilangan kecil bernilai random). Langkah 1 : Jika kondisi belum berhenti, lakukan langkah 2-9.
Langkah 2 : Lakukan langkah 3-8 pada setiap data pelatihan.
Fase 1 : Feed Forward (propagasi maju)
Langkah 3 : Setiap unit input menerima sinyal kemudian meneruskan sinyal tersebut
ke semua unit selanjutnya (lapisan tersembunyi).
Langkah 4 : Hitung dengan persamaan 2.8 pada setiap unit lapisan tersembunyi. Kemudian hitung nilai dari ( =1,2,…,�) dengan menggunakan persamaan 2.9. Nilai output diperoleh dengan menggunakan fungsi aktivasi sigmoid biner.
∑
16
=
2.9
Langkah 5 : Hitung seluruh output jaringan pada unit � ( = 1,2,…, ).
Hitung nilai dari � pada lapisan output dengan menggunakan persamaan dan kemudian hitung seluruh keluaran output jaringan � ( = 1,2,…, ) dengan menggunakan persamaan 2.11.
� ∑
2.10
� � =
2.11
Fase II: Propagasi Mundur (backward)
Langkah 6 : Hitung faktor � di unit output � ( = 1,2,…, ) dengan menggunakan persamaan 2.12.
� � � � � � 2.12
Kemudian koreksi bobot (digunakan untuk memperbaiki nilai) :
� � 2.13
Langkah 7 : Hitung faktor � unit tersembunyi berdasarkan error pada lapisan tersembunyi ( =1,2,…,�)
� ∑ �
2.14
Kalikan nilai tersebut dengan turunan dari fungsi aktivasi untuk mendapatkan nilai errornya dengan menggunakan persamaan 2.15.
� = �_ ′ ( _ ) = �_ (1 − ) 2.15
� ; = 1,2,…,� ; = 0,1,…, 2.16
Fase III : perubahan bobot.
Langkah 8 : Hitung semua perubahan bobot
Perubahan bobot pada unit output Yk(k=1,2,...,m) untuk mempernaiki bobot dan bias j(0,1,2,...,p) yang ditunjukkan pada persamaan 2.17.
( � �) = ( � �) + Δ ; =1,2,…, ; =0,1,…,� 2.17 Perubahan bobot pada unit tersembunyi ditunjukkan pada persamaan 2.18.
( � �) = ( � �) + Δ ; j=1,2,…,�; =1,2,…, 2.18
2.6. Penelitian Terdahulu
Beberapa penelitian sebelumnya telah dilakukan untuk menyelesaikan permasalahan klasifikasi yang hampir sama dengan klasifikasi jenis jamur penyebab penyakit antraknos pada buah cabai. Penelitian pertama dilakukan oleh (Deswari et al. 2013) melakukan penelitian tentang identifikasi buah tomat dengan menggunakan metode
backpropagation. Hasil dari penelitian ini adalah algoritma backpropagation mampu
memberikan hasil identifikasi hingga 71,76%. Pada penelitian ini peneliti melakukan
pengidentifikasin kematangan buah tomat yang ditanam pada rumah kaca dengan
bantuan webcam dan menggunakan space warna RGB.
Selain itu Liana Fitriani Nunuhitu membahas tentang identifikasi penyakit pada daun cabai serta cara mengatasinya dengan menggunakan metode Laplacian of Gaussian. Pada penelitian ini, peneliti mengidentifikasi penyakit yang menyerang
tumbuhan cabai dengan cara melihat bentuk dari noda yang terdapat pada daun (2011). Peneltian berikutnya berkaitan dengan metode yang akan digunakan oleh penulis, yaitu penelitian yang dilakukan oleh Nila Anggraini klasifikasi kanker serviks menggunakan jaringan syaraf tiruan Backpropagation dengan Graphical User Interface (GUI). Hasil dari penelitian ini mempunyai akurasi rata-rata 85% (Anggraini,
2015).
Selanjutnya adalah penelitian tentang image enhancement yang dilakukan oleh
(Dinata, 2014) untuk implementasi metode Multiscale Retinex.penelitian ini dilakukan
18
Tabel 2.1. Penelitian Terdahulu
No. Peneliti Tahun Metode Akurasi
1. Liana Fitriani Nunuhitu
2011 Laplacian of Gaussian
-
2. Dila Deswari et
al
2013 Backpropagation 71,76%
3. Nila Anggraini 2015 Backpropagation 85%
BAB I
PENDAHULUAN
Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan masalah, manfaat penelitian, metodologi penelitian, dan sistematika penulisan pada skripsi.
1.1. Latar Belakang
Backpropagation merupakan salah satu algoritma yang sangat sesuai untuk Image
Processing dikarenakan kelebihannya pada perulangan proses klasifikasi dalam
menghasilkan output apabila terjadi kesalahan atau error (Mccaffrey, 2012). Rendahnya kualitas citra pada image processing merupakan salah satu permasalahan utama yang berdampak pada tingkat akurasi pengklasifikasian sebuah citra. Penelitian terdahulu mengenai image processing hanya berfokus pada pengklasifikasian citra. Hanya sedikit penelitian tentang image processing yang berfokus pada image enhancement sebuah citra. Oleh karena itu, penulis tertarik untuk membangun sebuah
aplikasi image enhancement untuk mengklasifikasi jamur penyebab penyakit Antraknosa pada cabai.
2
disebabkan oleh jamur Collecotrotichum Capsici dan Gloeosporium
Piperatum menyerang buah dikenal sebagai penyakit busuk pada buah prapanen
maupun pascapanen. Serangan jamur ini dapat menurukan produksi cabai sebesar
45-60% (Hidayat et al. 2004), bahkan pada musim hujan kerugian yang disebabkannya
dapat mencapai 84% (Nakaya et al. 2009).
Penelitian untuk menyelesaikan permasalahan klasifikasi atau identifikasi penyakit dan kematangan pada buah dan daun telah banyak dilakukan, diantaranya
identifikasi buah tomat dengan menggunakan metode Backpropagation oleh Deswari
et al. (2013). Mampu memberikan hasil identifikasi hingga 71,76%. Selanjutnya
Nunuhitu, (2011) melakukan identifikasi penyakit pada daun cabai serta cara mengatasinya dengan melihat bentuk noda yang ada pada daun menggunakan metode Laplacian of Gaussian. Novianto (2009) meneliti tentang klasifikasi tingkat
kematangan varietas tomat merah dengan metode perbandingan warna memberikan
hasil identifikasi hingga 95%. Anggraini (2015) melakukan klasifikasi kanker serviks
dengan menggunakan metode backpropagation dengan akurasi hasil akhir mencapai
85%. Selanjutnya adalah penelitian tentang image enhancement yang dilakukan oleh
Dinata (2014) untuk implementasi metode Multiscale Retinex. penelitian ini dilakukan
untuk normalisasi iluminasi citra.
Sedangkan dalam penelitian ini akan dilakukan perbaikan kualitas pada citra
cabai untuk mengklasifikasi jenis jamur penyebab penyakit Antraknosa pada cabai
dengan menggunakan metode Neural Network Backpropagation.
1.2. Rumusan Masalah
Cabai merupakan salah satu rempah yang banyak digunakan oleh masyarakat