UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN
ANTHURIUM BERBASIS WEBSITE
TOMY KURNIAWAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN
ANTHURIUM BERBASIS WEBSITE
TOMY KURNIAWAN
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
ABSTRACT
TOMY KURNIAWAN. Texture Extraction Using Local Binary for Paddy and Anthurium Disease Identification Website Based. Supervised by YENI HERDIYENI.
This research proposes a web-based application to identify plant disease on Paddy and Anthurium automatically based on the leaf image. This research considers seven types of diseases : three Anthurium diseases and four Paddy diseases. For each type of the diseases 100 images are collected, making the total of images data be 700
.
Local Binary Pattern Variance (LBPV) was used for the extraction of texture and Probabilistic Neural Network (PNN) is used for classification. The result showed that LBPV can be used to identify plant diseases on Paddy and Anthurium. LBPV with operator (8,1) and (16,2) have the highest accuracy of 85.71%.Judul Skripsi : Ekstrasi Tekstur Citra Menggunakan Local Binary Pattern untuk Identifikasi Penyakit Tanaman Padi dan Anthurium Berbasis Website
Nama : Tomy Kurniawan
NIM : G64096064
Disetujui, Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP19750923 200012 2 001
Diketahui,
Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si., M.Kom. NIP 19660702 199302 1 001
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta, pada tanggal 04 Februari 1988 dari pasangan Adjie Muhammad Hidayat dan Achyanti. Penulis merupakan putra keempat dari empat bersaudara. Penulis menyelesaikan pendidikan Sekolah Dasar di SD Negeri 1 Panunggangan dan Sekolah Menengah Pertama di SMP Negeri 13 Tangerang.
PRAKATA
Alhamdulillahirabbil’alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wata'ala atas curahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir ini. Topik tugas akhir dalam penilitian ini adalah Ekstrasi Tekstur Citra Menggunakan Local Binary Pattern untuk Identifikasi Penyakit Tanaman Padi dan Anthurium Berbasis Website. Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan, dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain :
1. Seluruh keluarga besar penulis, khususnya istri tercinta, almarhum kedua orang tua, ayah dan ibu mertua, serta kakak dan adik penulis atas segala cinta kasih, doa, kesabaran, dukungan, dan dorongan semangat kepada penulis selama ini.
2. Ibu Dr. Yeni Herdiyeni, S.Si.,M.Kom. selaku dosen pembimbing atas bimbingan, bantuan, kemudahan, saran dan arahannya selama pengerjaan tugas akhir ini.
3. Bapak Toto Haryanto S.Kom, M.Si., dan bapak Aziz Kustiyo S.Si, M.Kom. selaku dosen penguji pada penelitian ini.
4. Canggih Trisyanto, Desta Sandya, dan Pauzi Ibrahim sebagai teman satu bimbingan yang selalu memberikan masukan dan saran kepada penulis.
5. Seluruh teman-teman Ekstensi Ilmu Komputer angkatan 4 yang tidak dapat disebutkan namanya satu-persatu.
6. Sahabat-sahabat terdekat penulis yang telah memberikan doa dan dukungan.
Penulis menyadari bahwa dalam penulisan tugas akhir ini masih jauh dari kesempurnaan, namun besar harapan penulis bahwa apa yang telah dikerjakan dapat memberikan manfaat bagi seluruh pihak.
Bogor, Februari 2013
DAFTAR ISI
Halaman
DAFTAR ISI ... iv
DAFTAR GAMBAR ... v
DAFTAR TABEL ... v
DAFTAR LAMPIRAN ... v
PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan Penelitian ... 1
Ruang Lingkup ... 1
TINJAUAN PUSTAKA ... 1
Penyakit Anthurium ... 1
Penyakit Padi ... 2
Ekstraksi Fitur Tekstur ... 2
Local Binary Patterns ... 3
Rotation Invariant Uniform Patterns (LBPRiu2) ... 4
Rotation Invariant Variance Measure (VAR) ... 4
LBP Variance (LBPV) ... 4
Probabilistic Neural Network ... 5
Website ... 6
METODE PENELITIAN ... 6
Data Citra Daun ... 6
Praproses Fitur Citra ... 6
Ekstraksi Fitur ... 7
Klasifikasi dengan Probabilistic Neural Network ... 7
Evaluasi ... 7
Lingkugan Pengembangan ... 7
HASIL DAN PEMBAHASAN... 7
Hasil Praproses ... 7
Hasil ekstraksi tekstur dengan LBPVP,R ... 8
Identifikasi Citra ... 9
Pengujian Data ... 9
Antarmuka Sistem ... 11
KESIMPULAN DAN SARAN... 12
Kesimpulan ... 12
Saran ... 12
DAFTAR PUSTAKA ... 12
DAFTAR GAMBAR
Halaman
1. Bercak Daun pada Anthurium ... 1
2. Bercak Kuning pada Anthurium ... 1
3. Daun Keriting pada Anthurium ... 2
4. Bercak Coklat pada Padi ... 2
5. Leaf Blast pada Padi ... 2
6. Tungro pada Padi ... 2
7. Hawar Daun Bakteri pada Padi ... 2
8. Circular neighborhood delapan sampling points. ... 3
9. Contoh perhitungan nilai LBP. ... 3
10. Beberapa ukuran circular neighborhood ... 3
11. Tekstur uniform patterns ... 4
12. Struktur PNN ... 5
13. Metode Penelitian ... 6
14. Resize image ... 8
15. Cropping image ... 8
16. Praproses data citra, di resize, di cropping, dan diubah ke grayscale ... 8
17. Histogram LBPVP,Rdescriptor citra tanaman Anthurium ... 9
18.Hasil akurasi identifikasi citra penyakit tanaman Padi dan Anthurium pada setiap kelas jenis penyakit. ... 11
19.(a) Kelas jenis penyakit yang memiliki rata-rata akurasi tinggi (b) Kelas jenis penyakit yang memiliki akurasi paling rendah ... 11
20. Screenshoot sistem identifikasi penyakit Padi dan Anthurium ... 12
DAFTAR TABEL
Halaman 1. Akurasi klasifikasi PNN dengan LBPV ... 92. Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (8,1) ... 10
3. Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (16,2) . 10 4. Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (24,3) . 10
DAFTAR LAMPIRAN
Halaman 1. Citra penyakit tanaman Padi dan Anthurium ... 152. Pemodelan pengujian identifikasi citra dengan sistem ... 18
PENDAHULUAN
Latar Belakang
Penyakit tanaman merupakan kondisi saat sel dan jaringan tanaman tidak dapat berfungsi secara normal, yang disebabkan adanya gangguan secara terus menerus oleh gen patogenik (biotik) atau faktor lingkungan
(abiotik) dan akan menghasilkan
perkembangan gejala. Penyakit tanaman terjadi bila salah satu atau beberapa fungsi fisiologis tanaman menjadi abnormal karena adanya gangguan patogen atau kondisi
lingkungan tertentu. Penyakit tanaman
khususnya tanaman Anthurium dan Padi dapat merugikan petani khususnya dalam
aspek ekonomis yang menyebabkan
rendahnya kualitas produksi penjualan,
sehingga mempengaruhi perekonomian dan
kehidupan petani. Oleh karena itu,
dibutuhkan sebuah aplikasi yang dapat
mengidentifikasi penyakit tanaman
Anthurium dan Padi secara otomatis, akurat, dan cepat pada perangkat komputer agar pencegahan dapat dilakukan dengan mudah.
Penelitian tentang identifikasi penyakit tanaman Anthurium dan Padi sebelumnya sudah dilakukan oleh Wicaksana (2011). Penelitian tersebut menerapkan transformasi
wavelet untuk ekstrasi ciri teksturnya dan K-Nearest Neighbors (KNN) sebagai metode klasifikasinya. Penelitian ini menghasilkan akurasi sebesar 72.8%. Selain itu, Alfarisi (2011) melakukan identifikasi penyakit Padi dan Anthurium dengan penggabungan fitur
Fast Fourier Transform (FFT) dan Local Binary Pattern (LBP) dengan akurasi 85.56 %.
Penelitian ini berbasis website dan melakukan identifikasi penyakit tanaman Anthurium dan Padi dengan menerapkan LBP untuk ekstrasi teksturnya, kemudian
akan diklasifikasikan menggunakan
Probabilistic Neural Network (PNN).
Penelitian ini diharapkan akan meningkatkan akurasi identifikasi penyakit pada tanaman Anthurium dan tanaman Padi.
Tujuan Penelitian
Tujuan penelitian ini adalah
mengembangkan sistem identifikasi penyakit tanaman Padi dan Anthurium berbasis
website dengan menggunakan metode
ekstraksi tekstur Local Binary Pattern.
Ruang Lingkup
Ruang Lingkup penelitian ini adalah penyakit tanaman Padi dan Anthurium di
Persawahan Desa Laladon dan Balai
Penelitian Segunung Cipanas, Bogor, Jawa Barat. Terdapat 3 jenis penyakit untuk tanaman Anthurium yaitu Bercak Daun, Bercak Kuning, dan Daun Keriting serta 4
Anthurium termasuk keluarga Araceae
yang mempunyai perakaran yang banyak, batang dan daun yang kokoh, serta bunga berbentuk ekor. Penyakit yang menyerang
tanaman Anthurium pada umumnya
disebabkan oleh dua penyebab utama yaitu jamur dan 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 tiga penyakit yang menyerang tanaman Anthurium :
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 1).
Gambar 1. Bercak Daun pada Anthurium
2. Bercak Kuning
Bercak Kuning disebabkan oleh
Nematoda atau penyakit lain seperti
Fusarium. 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 2).
3. Daun Keriting
Daun Keriting disebabkan Virus atau Kekurangan Kalsium. Ciri Anthurium yang
terserang menampakan gejala daun
mengeriting (Gambar 3). Bila Daun diraba terasa sedikit bergelombang, warna daun pun mengalami gradasi. Semakin ke arah pinggir daun tampak semakin hijau muda.
Gambar 3. Daun Keriting pada Anthurium Penyakit Padi
Padi merupakan tanaman pangan berupa rumput berumpun. Penyakit yang menyerang tanaman Padi biasanya disebabkan oleh hama
dan bakteri. Sama seperti tanaman
Anthurium, bagian tanaman seperti akar, batang, dan daun adalah bagian yang sering terserang penyakit. Pada penelitian ini, penyakit yang diteliti adalah penyakit yang menyerang daun. Berikut adalah empat penyakit yang menyerang tanaman Padi :
1. Bercak Coklat
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 4).
Gambar 4. Bercak Coklat pada Padi
2. 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. Leaf Blast pada Padi
3. 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 6).
Gambar 6. Tungro pada Padi
4. Hawar Daun Bakteri
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 Bakteri pada Padi Ekstraksi Fitur Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan. Tekstur dapat dibentuk
dari keragaman bentuk, pencahayaan,
bayangan, penyerapan, dan refleksi. Dalam citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Variasi intensitas disebabkan oleh perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi
oleh skala, arah pandangan, kondisi
Local Binary Patterns
Local Binary Patterns (LBP) merupakan
descriptor yang efisien yang
mendeskripsikan pola tekstur lokal pada citra
grayscale. LBP didefinisikan sebagai sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular neighborhoods)
dengan pixel pusat berada di tengah seperti
ditunjukkan pada Gambar 8. Notasi gi
merupakan nilai pixel tetangga ke-i. gc
merupakan pixel pusat yang digunakan
sebagai nilai threshold agar pixel
ketetangganya menjadi kode biner.
Gambar 8. Circular neighborhood delapan
sampling points.
Untuk mendapatkan nilai LBP dilakukan
thresholding pada pixel-pixel tetangga yang
berbentuk circular dengan menggunakan
pixel pusat, kemudian mengalikannya dengan pembobotan biner. Sebagai contoh untuk
sampling points P=8 dan radius R=1, perhitungan nilai LBP diilustrasikan pada
Gambar 9. Kesuksesan LBP sebagai
descriptor tekstur disebabkan karena LBP memiliki biaya komputasi yang rendah dan bersifat robust.
Gambar 9. Contoh perhitungan nilai LBP.
Secara matematis LBP dapat
Untuk keperluan klasifikasi nilai-nilai LBP selanjutnya direpresentasikan dalam bentuk histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Untuk ukuran citra N×M, keseluruhan nilai LBP dapat direpresentasikan dengan membentuk histogram sebagai berikut:
dengan K merupakan nilai LBP maksimum.
Pengkodean LBP seperti pada Gambar 9 ditentukan oleh radius (R) dari jumlah
sampling points (P). Sehingga Local Binary Patterns dinotasikan sebagai LBP(P,R).
Semakin besar nilai P akan meningkatkan informasi tekstur yang didapat. Urutan
pengkodean LBP yang bersifat tetap
menyebabkan ada sejumlah 2P jumlah pola
LBP. Gambar 10 memperlihatkan contoh
circular neighborhood dengan beberapa nilai
R dan P.
(8,1) (16,2) (24,3)
Gambar 10. Beberapa ukuran circular neighborhood
Ojala et al. (2002) melakukan observasi bahwa beberapa pola LBP tertentu memiliki informasi penting dari suatu tekstur. Pola-pola yang memiliki informasi penting ini disebut uniform patterns. LBP dikatakan
dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan 11001001 (4 transisi) dan 10101001 (6 transisi) bukan merupakan
uniform patterns. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area
atau dark spot, sudut, dan tepi. Hampir 90
persen dari tekstur merupakan uniform
patterns (Ojala et al. 2002).
Spot Spot/flat Line end Edge Corner
Gambar 11. Tekstur uniform patterns
Gambar 11 menunjukkan makna dari
uniform patterns. Secara matematis uniform patterns dapat diekspresikan sebagai berikut:
( ) | |
nilai keabuan rata-rata seluruh pixel
neighborhood. Jumlah pola yang dihasilkan
uniform patterns adalah bin.
Rotation Invariant Uniform Patterns )
Ketika uniform patterns dirotasi sampai
ke nilai minimum yang dimilikinya,
didapatkan operator baru yang dinamakan
Rotation Invariant Uniform Patterns yang dinotasikan . Notasi ri menunjukkan
rotation invariant dan u2 untuk uniform patterns pada sampling pointsP dan radius R. merupakan operator yang tidak
sensitif (invariant) terhadap perubahan rotasi dan bersifat uniform. diformulasikan
Jika pola yang diidentifikasi termasuk
uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan
letak binuniform patterns berada. Jika P atau
jumlah sampling points sama dengan
delapan, nilai ada dalam rentang nol sampai dengan sembilan. Pola-pola LBP yang tidak uniform patterns akan menjadi bin
ke-9 (Mäenpää 2003).
Rotation Invariant Variance Measure (VAR)
Secara umum tekstur tidak hanya
ditentukan oleh pola, namun juga kekuatan dari pola (kontras). Pola tekstur tidak dipengaruhi oleh perubahan gray scale,
namun dipengaruhi oleh transformasi citra seperti rotasi atau translasi. Sebaliknya, kontras tekstur tidak dipengaruhi oleh transformasi citra, namun dipengaruhi oleh
perubahan gray scale (Mäenpää 2003).
bekerja dalam mendeskripsikan
informasi pola tekstur yang tidak dipengaruhi perubahan gray scale dan rotasi.
tidak bisa mendeskripsikan informasi kontras, untuk itu diperlukan descriptor yang mampu mendeskripsikan informasi kontras yang bersifat tidak sensitif terhadap perubahan
gray scale. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation
invariant local variance (VAR). VAR
merupakan descriptor untuk mengukur lokal kontras tekstur pada suatu citra yang tidak
dengan merupakan rataan sampling points circular neighborhood. VAR menghasilkan nilai kontinu yang perlu dikuantisasi.
Kuantisasi yang ditentukan banyaknya
jumlah data latih (Guo et al. 2010a).
LBP Variance (LBPV)
dengan fitur tekstur. Biasanya, frekuensi tekstur region yang tinggi akan mempunyai
variance yang lebih tinggi dan variance-variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo
et al. 2010b). Oleh karena itu, variance dapat digunakan sebagai bobot yang
dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Ojala
et al. (2002) melakukan joint distribution
pola LBP dengan kontras lokal sebagai
descriptor tekstur bernama LBPV. LBPV
dimaksudkan menjadi sebuah descriptor
tekstur yang bisa menginformasikan pola tekstur dan kontras lokal. Histogram LBPV dihitung menggunakan formula sebagai berikut:
Probabilistic Neural Network
PNN merupakan Artificial Neural
Network (ANN) yang menggunakan teorema probabilitas klasik. PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN memiliki beberapa kelebihan yaitu, pelatihan yang hanya memerlukan satu kali iterasi, dan
solusi umumnya diperoleh dengan
menggunakan pendekatan Bayesian
(Kusmana, 2011).
Gambar 12. Struktur PNN
PNN menggunakan pelatihan (training)
supervised. PNN merupakan jaringan saraf
tiruan yang menggunakan radial basis
function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear (Wu et al. 2007). Keuntungan utama menggunakan arsitektur PNN adalah Training data PNN mudah dan
cepat. Bobot bukan merupakan hasil
pelatihan melainkan nilai yang akan menjadi masukan.
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan, dan lapisan keputusan/
keluaran. Struktur PNN ditunjukkan pada Gambar 12. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut:
1 Lapisan input (input layer)
Lapisan masukan merupakan input x yang
terdiri atas k nilai yang akan
diklasifikasikan pada salah satu kelas dari
n kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perhitungan jarak antara input dengan vektor bobot
xij, yaitu Zi=x-xij, simbol minus
menunjukkan jarak antara vektor. kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu
3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan probability density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
∑ (
( ) ( )
)
4 Lapisan keluaran (output layer)
Website
Website adalah temuan unik dari
kemajuan teknologi informasi. Untuk dapat berselanjar di dunia maya, kita membutuhkan suatu alamat yang bersifat unik, artinya alamat itu tidak ambigu dan hanya menuju ke satu tempat.
Website pertama kali ditemukan oleh Sir Timothy John ¨Tim¨ Berners-Lee, sedangkan
website yang tersambung dengan jaringan, pertama kali muncul pada tahun 1991. Sebuah situs, atau biasa disebut Website, atau disebut Web adalah sebutan bagi sekelompok halaman internet, yang umumnya merupakan bagian dari suatu nama domain (domain name) atau subdomain. Website dapat diakses melalui HTTP ataupun HTTPS, yaitu protokol yang menyampaikan informasi dari server website untuk ditampilkan kepada para pemakai melalui browser.
Website itu sendiri terbagi menjadi dua jenis, yaitu website statik dan website
dinamis. Website statik adalah website yang informasi didalamnya tidak dimaksudkan untuk diperbarui. Website ini biasanya
memiliki seorang atau sebuah tim
administrator yang menangani penggunaan
software editor. Sedangkan website dinamis adalah website yang informasi di dalamnya diperbarui secara berkala.
METODE PENELITIAN
Pembuatan aplikasi website untuk
identifikasi penyakit tanaman Padi dan Anthurium berkerja pada client dan server. Untuk citra, pada sisi server dilakukan praproses dan proses training PNN untuk pembuatan model klasifikasi dari hasil ekstraksi ciri LBPV terhadap data latih citra penyakit tanaman Padi dan Anthurium,
sedangkan pada sisi client dilakukan
praproses dan ekstraksi ciri dengan LBPV.
Hasil ekstraksi ciri pada sisi client
dicocokkan dengan model klasifikasi pada sisi server. Dari hasil pencocokan tersebut
akan muncul 3 (tiga) gambar yang
peluangnya paling besar. Jika salah satu
gambar dipilih, maka sistem akan
mengeluarkan detail dari jenis penyakit tersebut. Pada tahap akhir, dilakukan evaluasi terhadap kinerja sistem ini. Gambar 13 menunjukkan metode penelitian ini yang berbasis client server.
Gambar 13. Metode Penelitian Data Citra Daun
Citra daun tanaman Anthurium dan Padi yang digunakan pada penelitian ini diperoleh dari pemotretan langsung di Persawahan Desa Laladon dan Balai Penelitian Tanaman Hias Segunung Cipanas, Bogor, Jawa Barat, dimana terdapat 3 (tiga) jenis penyakit untuk tanaman Anthurium yaitu Bercak Daun, Bercak Kuning, dan Daun Keriting serta 4 (empat) jenis penyakit untuk tanaman Padi yaitu Bercak Coklat, Leaf Blast, Tungro, dan Hawar Daun Bakteri. Ketujuh jenis penyakit tersebut disajikan pada Lampiran 1.
Praproses Fitur Citra
Sebelum masuk ke dalam tahap ekstraksi fitur, citra dilakukan praproses terlebih dahulu dimana citra daun merupakan citra
RGB dengan latar belakang putih.
Selanjutnya akan dilakukan proses resize dan proses cropping dimana dilakukan secara otomasi. Proses resize diformulasikan sebagai berikut :
merupakan panjang maksimal dari sebuah citra dimana jika width lebih besar dari
height, maka yang diambil adalah nilai width, begitu juga sebaliknya jika height yang lebih besar, maka yang diambil adalah nilai height. Nilai max adalah batas maksimal ukuran citra yang akan di resize, dimana max ditentukan
secara manual. Untuk proses cropping
diformulasikan sebagai berikut :
yang di cropping, sedangkan c_height
merupakan tinggi dari area yang di cropping.
Ekstraksi Fitur
Ekstrasi fitur pada penelitian ini
menggunakan Ekstrasi Tekstur LBPVP,R
dengan menggunakan operator (8,1), (16,2), dan (24,3). Sebelum masuk ketahap ekstraksi, citra diubah kedalam mode warna grayscale. Citra grayscale ini yang akan menjadi masukan pada ekstraksi fitur. Nilai-nilai yang dihasilkan dari proses ekstraksi
direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP pada sebuah citra. Histogram memiliki P+2 bin
dimana P merupakan banyaknya sampling points yang digunakan. Sehingga histogram yang dihasilkan pada Ekstraksi ciri tekstur dengan operator (8,1) menghasilkan
10 bin.
Klasifikasi dengan Probabilistic Neural Network
Identifikasi citra dilakukan dengan
klasifikasi menggunakan Probabilistic
Neural Network (PNN). Masukan untuk klasifikasi PNN diambil dari citra daun yang telah melewati tahap ekstraksi sebelumnya.
Klasifikasi dibagi dengan 80% sebagai data latih dan 20% data uji. Setelah itu dilakukan proses training. Hasil dari
training diperoleh model klasifikasi. Model
klasifikasi ini yang digunakan untuk
mengklasifikasi data kueri citra penyakit yang ingin diketahui jenis penyakitnya. Arsitektur ini menggunakan penciri dari metode yang digunakan, yaitu LBPV.
Evaluasi
Selanjutnya dilakukan evaluasi, dimana
evaluasi dari kinerja didasarkan pada
banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut:
∑ ∑
Lingkugan Pengembangan
Sistem ini dikembangkan dan
diimplementasikan dengan menggunakan
perangkat keras dan perangkat lunak sebagai berikut :
1 Perangkat Keras :
Intel®coretm 2 Duo @ 2.10 GHz (2 CPUs),
Memori 2 GB,
Harddisk kapasitas 250 GB. 2 Perangkat Lunak :
Windows 7 sebagai sistem operasi
Microsoft Visual Studio10
Xampp 1.7.0
Mozilla Firefox 11.0
OpenCV 2.1.0
dan vertikal secara manual ditentukan sebesar
500 piksel. Hal ini berguna untuk
mengoptimalisasikan kecepatan pada saat ekstraksi tekstur menggunakan LBPV tanpa mengurangi kualitas citra tersebut. Citra yang memiliki ukuran horizontal atau vertikal di atas 500 piksel akan di resize menjadi 500 piksel atau di bawahnya. Ilustrasi resize dapat dilihat pada Gambar 14.
Gambar 14. Resize image
Hasil citra yang telah di resize, kemudian di cropping untuk mendapatkan objek
tanaman berpenyakit, tujuannya untuk
memperjelas tekstur citra yang terserang penyakit. Jika hanya berdasarkan informasi ciri warna dan bentuk sulit untuk menentukan jenis penyakit yang menyerang tanaman. Hal tersebut dikarenakan penyakit
yang menyerang tanaman memiliki
karakteristik ciri warna dan bentuk yang sama, seperti penyakit Bercak Kuning pada tanaman Anthurium dan Tungro pada tanaman Padi yang memiliki gejala awal yang sama yaitu berwarna kuning. Ilustrasi
cropping dapat dilihat pada Gambar 15.
Gambar 15. Cropping image
Citra hasil proses cropping dengan mode warna RGB diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data dapat dilihat pada Gambar 16.
Gambar 16. Praproses data citra, di resize, di
cropping, dan diubah ke grayscale
Hasil ekstraksi tekstur dengan LBPVP,R
Proses ekstraksi ciri tekstur pada citra tanaman Padi dan Anthurium menggunakan
metode Local Binary Pattern Variance
(LBPV) yang nantinya akan menghasilkan suatu vektor ciri. Vektor ciri inilah yang kemudian digunakan sebagai input classifier.
Hasil ekstraksi dengan LBPVP,R
direpresentasikan dengan Histogram.
Histogram untuk ketiga operator
diperlihatkan pada Gambar 17.
Gambar 17. Histogram LBPVP,R descriptor citra
tanaman Anthurium
Histogram yang dihasilkan
mendeskripsikan pola tekstur spasial dengan kontras lokal tertentu pada suatu citra. Operator (8,1) memiliki kuantisasi sudut 45 derajat dengan ukuran blok matriksnya sebesar 3x3 pixel yang menghasilkan 10 bin. Operator (16,2) memiliki kuantisasi sudut 22.5 derajat dengan ukuran blok matriksnya sebesar 5x5 pixel yangmenghasilkan 18 bin. Operator (24,3) memiliki kuantisasi sudut 15 derajat dengan ukuran blok matriksnya sebesar 7x7 pixel yang mengasilkan 26 bin.
Histogram yang ditunjukkan pada
Gambar 15 menunjukkan nilai uniform
patterns pada bin 0 sampai dengan P dan
nilai nonuniform patterns pada bin P + 1. Bin nonuniform patterns memiliki frekuensi yang lebih tinggi untuk semua operator karena pola-pola LBP nonuniform ditempatkan pada
bin P + 1. Nonuniform patterns memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra.
Operator (8,1) mendeskripsikan pola tekstur spasial dan lokal kontras yang lebih baik dibandingkan dengan operator (16,2) dan (24,3). Hal ini dapat dilihat pada histogram (8,1) yang menunjukkan perbedaan pola-pola tekstur yang terlihat nyata dan dapat diamati dari frekuensi bin-bin uniform pattern yang lebih tinggi dibandingkan operator lainnya
Identifikasi Citra
Identifikasi dilakukan dengan
menggunakan Probabilistic Neural Network
(PNN) Classifier. Hasil ekstrasi 700 citra yang terdiri atas empat jenis penyakit Padi dan tiga jenis penyakit Anthurium
menggunakan operator LBPV menghasilkan
vektor-vektor histogram. Vektor-vektor
tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN.
Klasifikasi citra jenis penyakit tanaman Anthurium dan Padi dilakukan dengan membagi data latih dan data uji masing-masing 80% dan 20%, dimana setiap jenis penyakit terdiri dari seratus citra. Ekstraksi dengan LBP menggunakan tiga operator, operator yang digunakan adalah LBPV(8,1), LBPV(16,2), dan LBPV(24,3). Hasil nilai akurasi terbaik dari tiga operator disajikan pada Tabel 1.
Tabel 1. Akurasi klasifikasi PNN dengan LBPV Deskriptor P=8 memiliki akurasi tertinggi adalah operator (8,1) dan operator (16,2) dengan 85.71%, sedang untuk operator (24,3) akurasinya adalah 70%. Hasil ini menyimpulkan bahwa operator (8,1) dan operator (16,2) merupakan
operator terbaik untuk klasifikasi
menggunakan PNN.
Pengujian Data
Pengujian identifikasi citra dilakukan menggunakan sistem. Sistem yang dibuat diberi nama Ipedia. Citra kueri masukan akan diekstraksi dan diidentifikasi dengan terlebih dahulu mengunduh citra kueri serta memilih operator yang digunakan. Kemudian sistem akan mengeluarkan tiga jenis penyakit tanaman hasil identifikasi citra kueri yang memiliki peluang terbesar. Hasil identifikasi citra akan mengeluarkan nama citra, gambar citra, dan peluang citra tersebut. Pemodelan pengujian identifikasi citra dengan sistem dapat dilihat pada Lampiran 2.
Tiga pemodelan pengujian yaitu LBPV (8,1), LBPV (16,2), dan LBPV (24,3) untuk
setiap kelas jenis penyakit tanaman
Tabel 2.Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (8,1)
Tabel 3.Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (16,2)
Tabel 4.Hasil akurasi pengujian klasifikasi setiap kelas jenis penyakit tanaman dengan LBPV (24,3) untuk jenis penyakit Bercak Daun pada Tabel
2, dari 20 citra data uji yang dilakukan, teridentifikasi dengan benar ada 13 citra, tujuh citra yang salah teridentifikasi ketiga jenis penyakit, satu teridentifikasi sebagai Bercak Kuning, satu teridentifikasi sebagai Daun Keriting, dan lima teridentifikasi sebagai Bercak Coklat. Pada Tabel 3 dan 4, penyakit Bercak Daun teridentifikasi lebih banyak, yaitu 18 citra untuk LBPV(16,2) dan 16 citra untuk LBPV(24,3), sedangkan untuk penyakit Bercak Coklat tidak teridentifikasi. Hal ini disebabkan pada penyakit Bercak Daun pola penyakitnya agak melingkar besar sehingga jika menggunakan LBPV(8,1) dengan blok matriks 3x3 sebagian besar akan teridentifikasi ke jenis penyakit Bercak
Coklat, dimana Bercak Coklat pola
penyakitnya agak memanjang dan memiliki variasi warna hampir mirip dengan Bercak Daun. Jadi, untuk penyakit Bercak Daun lebih baik identifikasinya menggunakan LBPV(16,2) atau LBPV(24,3) yang memiliki ukuran blok matriks lebih besar. Contoh citra penyakit Bercak Daun dan Bercak Coklat dapat dilihat pada Lampiran 1.
Sebanyak 20 data uji untuk setiap kelas jenis penyakit tanaman digunakan untuk mengidentifikasi citra oleh sistem. Gambar
18 menunjukan grafik hasil akurasi
identifikasi untuk setiap jenis penyakit tanaman yang didapat dari hasil pengujian klasifikasi setiap kelas jenis penyakit tanaman pada masing-masing operator.
Pada grafik Gambar 18, Daun Keriting dan Hawar Daun Bakteri menghasilkan akurasi tertinggi pada operator (8,1) yaitu sebesar 100%. Untuk operator (16,2), Hawar Daun Bakteri menghasilkan akurasi tertinggi
sebesar 95%, dan Bercak Kuning
LBPV(16,2)
LBPV(24,3)
Gambar 18. Hasil akurasi identifikasi citra penyakit tanaman Padi dan Anthurium pada setiap kelas jenis penyakit.
Hasil akurasi dari pengujian LBPV dengan tiga operator berbeda telah dilakukan, diperoleh akurasi dengan operator (8,1) dan (16,2) yaitu 85.71% dan akurasi dengan operator (24,3) yaitu 70%. Ekstrasi ciri menggunakan LBPV(8,1) dan LBPV(16,2) memperoleh akurasi yang sama, tetapi dari grafik hasil akurasi pada Gambar 18, dapat dilihat bahwa ekstrasi ciri yang lebih baik untuk digunakan sebagai metode dalam identifikasi penyakit tanaman Padi dan Anthurium adalah LBPV (16,2)
Dari grafik pada Gambar 18 dapat dilihat bahwa pada LBPV(8,1), penyakit Bercak Daun adalah jenis penyakit yang sulit dideteksi dengan akurasi sebesar 65%, namun pada LBPV (16,2) dan LBPV (24,3), penyakit Bercak Daun dikenali dengan lebih baik dengan akurasi sebesar 90% pada LBPV (16,2) dan 80% pada LBPV(24,3). Pada
LBPV (16,2), penyakit yang sulit dideteksi adalah Bercak Coklat, dengan akurasi sebesar
65%. Penyakit Bercak Coklat terjadi
kenaikan akurasi jika menggunakan LBPV
(8,1) yaitu 75%, namun mengalami
penurunan akurasi jika menggunakan LBPV (24,3) yaitu 45%. Pada LBPV (24,3), ada dua jenis penyakit yang sulit dideteksi, yaitu penyaki Bercak Coklat dan Penyakit Leaf Blast. Kedua penyakit ini memperoleh akurasi yang lebih baik jika menggunakan LBPV (8,1) dan LBPV (16,2).
Rata-rata akurasi seluruh kelas pada citra jenis penyakit tanaman Padi dan Anthurium adalah sebesar 80.47%. Dari tujuh kelas jenis penyakit ada sebanyak tiga kelas jenis penyakit yang akurasinya diatas rata-rata yaitu jenis penyakit Bercak Kuning, Daun
Keriting, dan Tungro. Daun Keriting
merupakan jenis penyakit yang paling baik dideteksi dengan ketiga operator berbeda, dimana Daun Keriting memiliki rata-rata akurasi sebesar 91.66%, sedangkan Bercak Coklat merupakan penyakit yang paling sulit dideteksi dengan ketiga operator, dengan rata-rata akurasi sebesar 61.66%.
Daun Keriting memiliki rata-rata akurasi tinggi karena memiliki tekstur dan warna daun yang terserang penyakit tidak beragam, sedangkan untuk Bercak Coklat memiliki tekstur dan warna daun yang terserang penyakit beragam, sehingga akurasinya paling rendah. Gambar 19 merupakan kelas jenis penyakit yang memiliki rata-rata akurasi tinggi dan akurasi rendah. Peluang untuk setiap jenis penyakit dapat dilihat pada Lampiran 3.
Gambar 19. (a) Kelas jenis penyakit yang memiliki rata-rata akurasi tinggi (b) Kelas jenis penyakit yang memiliki akurasi paling rendah
Antarmuka Sistem
Sistem Identifikasi Penyakit Padi dan Anthurium memiliki tiga menu utama, dapat dilihat pada Gambar 20.
Gambar 20. Screenshoot sistem identifikasi penyakit Padi dan Anthurium
1. Menu Home
Menu ini menampilkan sekilas tentang sistem yang diselingi oleh gambar dari tanaman Anthurium dan Padi.
2. Menu Identifikasi
Menu ini digunakan untuk
mengidentifikasi tanaman Padi atau Anthurium berupa citra. Pengguna dapat mengidentifikasi tanaman Padi atau Anthurium dari citra yang diunduh ke
dalam sistem. Kemudian pengguna
memilih operator yang akan digunakan
untuk identifikasi. Pengguna dapat
melihat detail penyakit dari citra hasil identifikasi tersebut dengan menklik gambar atau nama penyakit tersebut.
3. Database
Menu ini menampilkan tujuh jenis
penyakit dari tanaman Padi dan
Anthurium dimana terdiri dari tiga jenis penyakit Anthurium dan empat jenis penyakit Padi. Detail penyakit dapat dilihat dengan menklik gambar atau nama penyakit, dimana terdapat lima informasi yang diberikan yaitu Jenis Tanaman, Nama Penyakit, Penyebab, Gejala, dan Pencegahan.
KESIMPULAN DAN SARAN
Kesimpulan
Penerapan Local Binary Pattern (LBP) dan teknik klasifikasi Probabilistic Neural Network (PNN) untuk identifikasi penyakit tanaman Padi dan Anthurium berbasis
website otomatis berhasil diimplementasikan. Pada penelitian ini, dengan operator
(8,1) dan operator (16,2) merupakan penciri terbaik untuk digunakan dengan nilai akurasi yaitu sebesar 85.71%.
Saran
Penelitian ini menggunakan data citra jenis penyakit yang terbatas. Untuk penelitian selanjutnya perlu ditambahkan variasi dan jumlah penyakit pada tanaman Padi dan Anthurium.
DAFTAR PUSTAKA
Alfarisi, BS. 2011. Identifikasi Penyakit
Tanaman Menggunakan Fast Fourier
Transform dan Local Binary Pattern
Dengan Probabilistic Neural Network
(Studi Kasus : Tanaman Anthurium dan
Padi) [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Guo Z, Zhang L, Zhang D. 2010a. A
Completed Modeling of Local Binary
Pattern Operator for Texture
Classification. IEEE Transactions on Image Processing. Vol. 19, No. 6, pp. 1657-1663.
Guo Z, Zhang L, Zhang D. 2010b. Rotation invariant texture classification using LBP variance (LBPV) with global matching. Hong Kong: The Hong Kong Polytechnic University.
Kusmana I. 2011. Penggabungan Fitur Local Binary Patterns untuk Identifikasi Citra
Tumbuhan Obat [skripsi]. Bogor:
Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu : Oulu University Press.
Ojala T, Pietikäinen M, Mäenpää T. 2002.
Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on PAMI 24(7): 2037-2041.
Bogor: Puslitbang Pertanian Tanaman Pangan.
Wicaksana CW. 2011. Identifikasi Penyakit
Padi dan Anthurium Menggunakan
Wavelet dengan Klasifikasi K-Nearest Neighbord [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Lampiran 1. Citra penyakit tanaman Padi dan Anthurium
1. Tujuh Jenis Penyakit Tanaman Padi dan Anthurium yang digunakan
Citra Nama Penyakit
Bercak Daun
Jumlah: 100
Bercak Kuning
Jumlah: 100
Daun Keriting
Jumlah: 100
Bercak Coklat
Jumlah: 100
Leaf Blast
Jumlah: 100
Tungro
Jumlah: 100
Hawar Daun Bakteri
Lampiran 1. Lanjutan
2. Contoh citra yang digunakan dalam masin-masing kelas jenis penyakit 2.1. Kelas penyakit Bercak Daun
2.2. Kelas penyakit Bercak Kuning
2.3. Kelas penyakit Daun Keriting
Lampiran 1. Lanjutan
2.5. Kelas penyakit Leaf Blast
2.6. Kelas penyakit Tungro
Lampiran 2. Pemodelan pengujian identifikasi citra dengan sistem
1. Menu Utama (Home)
Lampiran 2. Lanjutan
3. Menu Database (Padi)
Lampiran 2. Lanjutan
5. Hasil Identifikasi (salah)
Lampiran 2. Lanjutan
Lampiran 3. Nilai Peluang Hasil Percobaan
Citra Uji
LBPV
(8,1) (16,2) (24,3)
Hasil Peluang Hasil Peluang Hasil Peluang
Bercak Daun 1 Bercak Daun 0.601942 Bercak Daun 0.689704 Bercak Daun 0.541196
Bercak Daun 2 Bercak Daun 0.867807 Bercak Daun 0.972003 Bercak Daun 0.651383
Bercak Daun 3 Bercak Daun 0.999336 Bercak Daun 0.900711 Bercak Daun 0.443473
Bercak Daun 4 Bercak Coklat 0.982433 Bercak Kuning 0.441202 Bercak Kuning 0.428012
Bercak Daun 5 Bercak Daun 1 Bercak Daun 0.933468 Bercak Daun 0.438655
Bercak Daun 6 Bercak Coklat 0.826544 Bercak Daun 0.792296 Bercak Daun 0.981801
Bercak Daun 7 Daun Keriting 0.548687 Bercak Daun 0.621811 Bercak Daun 0.70211
Bercak Daun 8 Bercak Daun 0.997116 Bercak Daun 0.759241 Bercak Daun 0.554761
Bercak Daun 9 Bercak Daun 1 Bercak Daun 1 Bercak Daun 1
Bercak Daun 10 Bercak Daun 1 Bercak Daun 0.999675 Bercak Daun 0.716447
Bercak Daun 11 Bercak Coklat 0.799164 Bercak Daun 0.840403 Bercak Daun 0.594588
Bercak Daun 12 Bercak Coklat 0.955468 Bercak Daun 0.478771 Bercak Daun 0.415866
Bercak Daun 13 Bercak Kuning 0.541833 Bercak Kuning 0.732444 Bercak Kuning 0.763929
Bercak Daun 14 Bercak Daun 1 Bercak Daun 0.990084 Bercak Daun 0.515298
Bercak Daun 15 Bercak Daun 1 Bercak Daun 0.879981 Bercak Daun 0.426884
Bercak Daun 16 Bercak Daun 1 Bercak Daun 0.999655 Bercak Daun 0.728486
Bercak Daun 17 Bercak Daun 1 Bercak Daun 0.998733 Bercak Daun 0.725076
Bercak Daun 18 Bercak Coklat 0.940668 Bercak Daun 0.698375 Bercak Daun 0.4709
Bercak Daun 19 Bercak Daun 1 Bercak Daun 0.775587 Tungro 0.417817
Bercak Daun 20 Bercak Daun 1 Bercak Daun 0.802726 Tungro 0.403074
Bercak Kuning 1 Bercak Kuning 1 Bercak Kuning 0.999778 Bercak Kuning 0.931392
Bercak Kuning 2 Bercak Kuning 1 Bercak Kuning 0.999993 Bercak Kuning 0.966974
Bercak Kuning 3 Bercak Kuning 1 Bercak Kuning 0.934169 Bercak Kuning 0.855922
Bercak Kuning 4 Bercak Kuning 0.999277 Bercak Kuning 0.873944 Bercak Kuning 0.841267
Bercak Kuning 5 Bercak Kuning 1 Bercak Kuning 0.962322 Bercak Kuning 0.624733
Bercak Kuning 6 Bercak Kuning 0.990932 Bercak Kuning 0.926898 Bercak Kuning 0.869096
Bercak Kuning 7 Bercak Kuning 0.999993 Bercak Kuning 0.995633 Bercak Kuning 0.944375
Bercak Kuning 8 Bercak Kuning 0.972115 Bercak Kuning 0.920378 Bercak Kuning 0.87563
Bercak Kuning 9 Bercak Kuning 0.928462 Bercak Kuning 0.835455 Bercak Kuning 0.705774
Bercak Kuning 10 Bercak Kuning 0.905852 Bercak Kuning 0.874345 Bercak Kuning 0.748061
Bercak Kuning 11 Bercak Kuning 0.999975 Bercak Kuning 0.997881 Bercak Kuning 0.914036
Bercak Kuning 12 Bercak Kuning 0.976874 Bercak Kuning 0.989623 Bercak Kuning 0.989796
Bercak Kuning 13 Bercak Kuning 0.999749 Bercak Kuning 0.999379 Bercak Kuning 0.953832
Bercak Kuning 14 Bercak Daun 0.878664 Bercak Kuning 0.554185 Bercak Kuning 0.789305
Bercak Kuning 15 Bercak Kuning 1 Bercak Kuning 1 Bercak Kuning 0.999999
Bercak Kuning 16 Bercak Kuning 1 Bercak Kuning 1 Bercak Kuning 1
Bercak Kuning 17 Daun Keriting 0.710635 Bercak Kuning 0.967104 Bercak Kuning 0.89873
Bercak Kuning 18 Daun Keriting 0.486226 Bercak Kuning 0.556945 Bercak Kuning 0.825538
Bercak Kuning 19 Daun Keriting 0.999997 Leaf Blast 0.9842 Bercak Daun 0.478669
Lampiran 3. Lanjutan
Citra Uji
LBPV
(8,1) (16,2) (24,3)
Hasil Peluang Hasil Peluang Hasil Peluang
Daun Keriting 1 Daun Keriting 1 Daun Keriting 1 Daun Keriting 0.99777
Daun Keriting 2 Daun Keriting 1 Daun Keriting 1 Daun Keriting 0.99759
Daun Keriting 3 Daun Keriting 1 Daun Keriting 0.738902 Daun Keriting 0.809572
Daun Keriting 4 Daun Keriting 1 Daun Keriting 0.984484 Daun Keriting 0.915685
Daun Keriting 5 Daun Keriting 1 Daun Keriting 0.993209 Leaf Blast 1
Daun Keriting 6 Daun Keriting 1 Daun Keriting 0.993825 Daun Keriting 0.555302
Daun Keriting 7 Daun Keriting 1 Daun Keriting 0.98911 Daun Keriting 0.858075
Daun Keriting 8 Daun Keriting 0.999891 Daun Keriting 0.568495 Daun Keriting 0.370142
Daun Keriting 9 Daun Keriting 1 Daun Keriting 0.999999 Daun Keriting 0.818879
Daun Keriting 10 Daun Keriting 0.997688 Daun Keriting 0.967074 Daun Keriting 0.708632
Daun Keriting 11 Daun Keriting 0.993451 Daun Keriting 0.92937 Daun Keriting 0.670512
Daun Keriting 12 Daun Keriting 0.997878 Daun Keriting 0.905587 Daun Keriting 0.75571
Daun Keriting 13 Daun Keriting 0.59038 Bercak Kuning 0.580642 Daun Keriting 0.637272
Daun Keriting 14 Daun Keriting 1 Daun Keriting 0.821828 Leaf Blast 0.240193
Daun Keriting 15 Daun Keriting 1 Daun Keriting 0.822222 Daun Keriting 0.53473
Daun Keriting 16 Daun Keriting 1 Daun Keriting 0.962273 Daun Keriting 0.505212
Daun Keriting 17 Daun Keriting 1 Leaf Blast 0.999955 Leaf Blast 1
Daun Keriting 18 Daun Keriting 0.997903 Daun Keriting 0.845309 Daun Keriting 0.800563
Daun Keriting 19 Daun Keriting 1 Daun Keriting 0.970001 Daun Keriting 0.745838
Daun Keriting 20 Daun Keriting 1 Daun Keriting 0.972459 Daun Keriting 0.773385
Bercak Coklat 1 Bercak Coklat 0.995049 Bercak Coklat 0.639344 Hawar Daun 0.401677
Bercak Coklat 2 Bercak Coklat 0.999999 Bercak Coklat 0.993351 Leaf Blast 0.556629
Bercak Coklat 3 Bercak Coklat 0.98097 Bercak Coklat 0.834532 Bercak Coklat 0.725982
Bercak Coklat 4 Leaf Blast 0.982408 Leaf Blast 0.988644 Hawar Daun 0.678022
Bercak Coklat 5 Bercak Coklat 1 Bercak Coklat 0.506635 Hawar Daun 0.357488
Bercak Coklat 6 Bercak Daun 1 Hawar Daun 0.940987 Tungro 0.323407
Bercak Coklat 7 Bercak Coklat 0.905526 Bercak Coklat 0.469453 Bercak Coklat 0.487893
Bercak Coklat 8 Bercak Coklat 0.768803 Bercak Coklat 0.534855 Bercak Coklat 0.363747
Bercak Coklat 9 Bercak Coklat 0.844426 Bercak Coklat 0.999118 Bercak Coklat 0.880494
Bercak Coklat 10 Bercak Coklat 0.999944 Hawar Daun 0.729874 Bercak Coklat 0.309401
Bercak Coklat 11 Bercak Coklat 0.995461 Daun Keriting 0.743506 Leaf Blast 0.458074
Bercak Coklat 12 Bercak Daun 0.586543 Hawar Daun 0.591235 Hawar Daun 0.395091
Bercak Coklat 13 Bercak Coklat 0.999404 Bercak Coklat 0.827679 Daun Keriting 0.416458
Bercak Coklat 14 Bercak Coklat 0.999647 Bercak Coklat 0.989786 Bercak Coklat 0.788976
Bercak Coklat 15 Hawar Daun 0.583532 Bercak Coklat 0.629006 Bercak Coklat 0.421729
Bercak Coklat 16 Bercak Coklat 0.999919 Bercak Coklat 0.506134 Bercak Coklat 0.274812
Bercak Coklat 17 Bercak Daun 0.586543 Hawar Daun 0.591235 Hawar Daun 0.395091
Bercak Coklat 18 Bercak Coklat 0.999404 Bercak Coklat 0.827679 Bercak Coklat 0.416458
Bercak Coklat 19 Bercak Coklat 0.999647 Bercak Coklat 0.989786 Bercak Coklat 0.788976
Lampiran 3. Lanjutan
Citra Uji
LBPV
(8,1) (16,2) (24,3)
Hasil Peluang Hasil Peluang Hasil Peluang
Leaf Blast 1 Leaf Blast 1 Leaf Blast 0.999785 Leaf Blast 0.430098
Leaf Blast 2 Hawar Daun 0.999898 Leaf Blast 0.739876 Hawar Daun 0.356726
Leaf Blast 3 Leaf Blast 1 Leaf Blast 1 Hawar Daun 0.544148
Leaf Blast 4 Leaf Blast 1 Leaf Blast 0.996186 Leaf Blast 0.529534
Leaf Blast 5 Leaf Blast 1 Leaf Blast 1 Bercak Coklat 0.959532
Leaf Blast 6 Leaf Blast 1 Daun Keriting 0.947967 Hawar Daun 0.524661
Leaf Blast 7 Leaf Blast 1 Leaf Blast 0.937909 Tungro 0.540055
Leaf Blast 8 Leaf Blast 1 Leaf Blast 1 Leaf Blast 0.872396
Leaf Blast 9 Leaf Blast 1 Leaf Blast 0.99828 Hawar Daun 0.515792
Leaf Blast 10 Leaf Blast 1 Leaf Blast 0.998447 Bercak Daun 0.392953
Leaf Blast 11 Leaf Blast 1 Leaf Blast 0.791858 Hawar Daun 0.284039
Leaf Blast 12 Leaf Blast 1 Leaf Blast 1 Leaf Blast 0.588256
Leaf Blast 13 Leaf Blast 1 Leaf Blast 0.999952 Daun Keriting 0.661183
Leaf Blast 14 Leaf Blast 1 Leaf Blast 1 Leaf Blast 1
Leaf Blast 15 Leaf Blast 1 Leaf Blast 1 Leaf Blast 1
Leaf Blast 16 Leaf Blast 1 Leaf Blast 0.999484 Leaf Blast 0.429697
Leaf Blast 17 Leaf Blast 1 Leaf Blast 0.999654 Daun Keriting 0.698673
Leaf Blast 18 Leaf Blast 1 Leaf Blast 0.469148 Tungro 0.508945
Leaf Blast 19 Leaf Blast 1 Leaf Blast 1 Leaf Blast 0.976172
Leaf Blast 20 Bercak Coklat 0.999959 Bercak Daun 0.996808 Bercak Coklat 0.89059
Tungro 1 Tungro 1 Tungro 0.997265 Tungro 0.781772
Tungro 2 Tungro 1 Tungro 0.973057 Tungro 0.755695
Tungro 3 Tungro 1 Tungro 0.979836 Tungro 0.704094
Tungro 4 Tungro 1 Tungro 0.945191 Tungro 0.678729
Tungro 5 Tungro 1 Tungro 0.905924 Tungro 0.650097
Tungro 6 Tungro 0.999996 Tungro 0.75651 Tungro 0.606532
Tungro 7 Tungro 0.999949 Tungro 0.856473 Tungro 0.736628
Tungro 8 Hawar Daun 0.999202 Hawar Daun 0.782879 Tungro 0.657074
Tungro 9 Tungro 1 Tungro 0.738704 Tungro 0.381019
Tungro 10 Tungro 0.999995 Tungro 0.83615 Tungro 0.749373
Tungro 11 Tungro 1 Tungro 0.93606 Tungro 0.713032
Tungro 12 Tungro 1 Tungro 0.899249 Tungro 0.559438
Tungro 13 Tungro 0.968252 Hawar Daun 0.819691 Hawar Daun 0.51138
Tungro 14 Tungro 0.999996 Hawar Daun 0.703752 Hawar Daun 0.505278
Tungro 15 Tungro 1 Tungro 0.964079 Tungro 0.663328
Tungro 16 Tungro 1 Tungro 0.738704 Tungro 0.381019
Tungro 17 Tungro 0.968252 Hawar Daun 0.819691 Hawar Daun 0.51138
Tungro 18 Tungro 1 Tungro 0.982874 Tungro 0.712217
Tungro 19 Tungro 1 Tungro 0.969236 Tungro 0.784963
Lampiran 3. Lanjutan
Citra Uji
LBPV
(8,1) (16,2) (24,3)
Hasil Peluang Hasil Peluang Hasil Peluang
Hawar Daun 1 Hawar Daun 0.999979 Hawar Daun 0.594995 Hawar Daun 0.317578
Hawar Daun 2 Hawar Daun 0.993465 Tungro 0.586664 Tungro 0.56454
Hawar Daun 3 Hawar Daun 0.999998 Hawar Daun 0.912503 Hawar Daun 0.46794
Hawar Daun 4 Hawar Daun 1 Hawar Daun 0.824256 Hawar Daun 0.485599
Hawar Daun 5 Hawar Daun 1 Hawar Daun 0.635375 Hawar Daun 0.474138
Hawar Daun 6 Hawar Daun 1 Hawar Daun 0.919905 Tungro 0.608953
Hawar Daun 7 Hawar Daun 1 Hawar Daun 0.979127 Hawar Daun 0.495653
Hawar Daun 8 Hawar Daun 1 Hawar Daun 0.98917 Hawar Daun 0.473324
Hawar Daun 9 Hawar Daun 1 Hawar Daun 0.976924 Tungro 0.437239
Hawar Daun 10 Hawar Daun 1 Hawar Daun 0.935122 Hawar Daun 0.537801
Hawar Daun 11 Hawar Daun 1 Hawar Daun 0.793833 Hawar Daun 0.609071
Hawar Daun 12 Hawar Daun 1 Hawar Daun 0.79337 Hawar Daun 0.426658
Hawar Daun 13 Hawar Daun 1 Hawar Daun 0.984738 Hawar Daun 0.341577
Hawar Daun 14 Hawar Daun 0.999985 Hawar Daun 0.939185 Tungro 0.478499
Hawar Daun 15 Hawar Daun 0.999773 Hawar Daun 0.628665 Tungro 0.418816
Hawar Daun 16 Hawar Daun 0.999997 Hawar Daun 0.661955 Tungro 0.556
Hawar Daun 17 Hawar Daun 1 Hawar Daun 0.769475 Tungro 0.43341
Hawar Daun 18 Hawar Daun 1 Hawar Daun 0.849801 Hawar Daun 0.445139
Hawar Daun 19 Hawar Daun 1 Hawar Daun 0.904726 Hawar Daun 0.433897