Ekstrasi Tekstur Citra Menggunakan Local Binary Pattern untuk Identifikasi Penyakit Tanaman Padi dan Anthurium Berbasis Website

(1)

UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN

ANTHURIUM BERBASIS WEBSITE

TOMY KURNIAWAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

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

(3)

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%.

(4)

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

(5)

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.

(6)

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

(7)

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

(8)

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 ... 9

2. 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 ... 15

2. Pemodelan pengujian identifikasi citra dengan sistem ... 18

(9)

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).

(10)

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

(11)

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

(12)

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)

(13)

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)

(14)

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 :

(15)

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

(16)

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.

(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

(18)

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

(19)

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.

(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.

(21)

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.

(22)

(23)

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

(24)

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

(25)

2.5. Kelas penyakit Leaf Blast

2.6. Kelas penyakit Tungro

(26)

Lampiran 2. Pemodelan pengujian identifikasi citra dengan sistem

1. Menu Utama (Home)

(27)

3. Menu Database (Padi)

(28)

5. Hasil Identifikasi (salah)

(29)

(30)

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 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 9 Bercak Daun 1 Bercak Daun 1 Bercak Daun 1

Bercak Daun 13 Bercak Kuning 0.541833 Bercak Kuning 0.732444 Bercak Kuning 0.763929

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 4 Bercak Kuning 0.999277 Bercak Kuning 0.873944 Bercak Kuning 0.841267

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

(31)

Citra Uji

LBPV

(8,1) (16,2) (24,3)

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 5 Daun Keriting 1 Daun Keriting 0.993209 Leaf Blast 1

Daun Keriting 8 Daun Keriting 0.999891 Daun Keriting 0.568495 Daun Keriting 0.370142

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 17 Daun Keriting 1 Leaf Blast 0.999955 Leaf Blast 1

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 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 15 Hawar Daun 0.583532 Bercak Coklat 0.629006 Bercak Coklat 0.421729

Bercak Coklat 17 Bercak Daun 0.586543 Hawar Daun 0.591235 Hawar Daun 0.395091

(32)

Citra Uji

LBPV

(8,1) (16,2) (24,3)

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 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 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 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 20 Bercak Coklat _{0.999959 Bercak Daun} _{0.996808 Bercak Coklat} _0.89059

Tungro 1 Tungro _{1 Tungro} _{0.997265 Tungro} _0.781772

Tungro 6 Tungro _{0.999996 Tungro} _{0.75651 Tungro} _0.606532

Tungro 8 Hawar Daun _{0.999202 Hawar Daun} _{0.782879 Tungro} _0.657074

Tungro 11 _Tungro _{1 Tungro} _{0.93606 Tungro} _0.713032

Tungro 13 _Tungro _{0.968252 Hawar Daun} _{0.819691 Hawar Daun} _0.51138

(33)

Citra Uji

LBPV

(8,1) (16,2) (24,3)

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 6 Hawar Daun _{1 Hawar Daun} _{0.919905 Tungro} _0.608953

Hawar Daun 14 Hawar Daun _{0.999985 Hawar Daun} _{0.939185 Tungro} _0.478499