ANALISIS SERANGAN VIRUS GEMINI PADA CABAI
MERAH (
Capsicum annum
L.) BERBASIS VISUAL DENGAN
SEGMENTASI BAYES
ROMI MANAF
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Serangan Virus Gemini pada Cabai Merah (Capsicum annum L.) Berbasis Visual dengan Segmentasi Bayes adalah benar karya saya dengan arahan dari pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
ROMI MANAF. Analisis Serangan Virus Gemini pada Cabai Merah (Capsicum annum L.) Berbasis Visual dengan Segmentasi Bayes. Dibimbing oleh MOHAMAD SOLAHUDIN.
Kebutuhan cabai semakin meningkat dengan peningkatan jumlah penduduk. Salah satu kendala rendahnya produktivitas cabai disebabkan oleh infeksi virus yang disebut virus Gemini. Tanaman yang terinfeksi menunjukkan gejala berupa klorosis pada daun, daun keriting dan menguning. Infeksi virus berpotensi menurunkan hasil sebesar 20 – 100%. Melihat kondisi tersebut, maka diperlukan metode pemantauan dan evaluasi serangan virus yang baik untuk menentukan tindakan yang harus dilakukan. Tujuan dari penelitian ini adalah menganalisis lahan tanaman cabai merah yang terkena serangan virus. Pengambilan citra dilakukan melalui foto udara menggunakan multicopter, citra hasil pemotretan selanjutnya di analisis dengan program pengolah citra untuk mengevaluasi tingkat serangan virus Gemini yang terjadi di lahan. Metode segmentasi Bayes digunakan untuk menentukan tingkat serangan virus pada tanaman individual dengan masukan 3 dimensi berupa komponen warna (R, G, B) dan 4 target segmentasi yaitu tanaman sehat, terserang virus ringan, terserang virus sedang, dan terserang virus akut. Hasil training menggunakan 40 sampel, diperoleh nilai akurasi 100%. Uji coba validasi tanaman individual dengan sampel 240 tanaman untuk 4 kelas diperoleh nilai akurasi 64.24%, validasi dengan target 2 kelas 91.25%, validasi tingkat serangan dengan satuan lahan diperoleh ketelitian 95.58%.
Kata kunci: cabai, pengolahan gambar, segmentasi Bayes, virus Gemini
ABSTRACT
infection called Gemini virus. Infected plants showed symptoms of chlorosis on leaves, leaf curling and yellowing. Viral infections potentially reduce yields by 20-100%. Due to these conditions, then necessary good methods of monitoring and evaluation virus attack to determine what actions to take. The purpose of this study is to analyze the chili plants field were exposed by virus. Images taken through aerial photography via multicopter, the image captured in the subsequent analysis with image processing program to evaluate the level of Gemini virus attacks that occurred on field. Bayesian segmentation method is used to determine the level of virus attacks on individual plants with a 3-dimensional input color components (R, G, B) and 4 segmentation target i.e. healthy plants, mild virus attacks, middle virus attacks, and acute virus attacks. Training results using 40 samples, obtained 100% accuracy rate. Validation test of individual plants with 240 plant samples for 4 classes obtained 64.24% accuracy rate, validation test of individual plants for 2 target class of attack obtained 91.25%, validation test of total fields attack obtained 95.58% accuracy.Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik
pada
Departemen Teknik Mesin dan Biosistem
ANALISIS SERANGAN VIRUS GEMINI PADA CABAI
MERAH (
Capsicum annum
L.) BERBASIS VISUAL DENGAN
SEGMENTASI BAYES
ROMI MANAF
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
Judul Skripsi : Analisis Serangan Virus Gemini pada Cabai Merah (Capsicum annum L.) Berbasis Visual dengan Segmentasi Bayes
Nama : Romi Manaf NIM : F14100004
Disetujui oleh
Dr Ir Mohamad Solahudin, MSi Pembimbing I
Diketahui oleh
Dr Ir Desrial, MEng Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2014 sampai September 2014 ini ialah pengolahan citra lahan cabai merah yang terinfeksi virus gemini, dengan judul Analisis Serangan Virus Gemini pada Cabai Merah (Capsicum annum L.) Berbasis Visual dengan Segmentasi Bayes.
Terima kasih penulis ucapkan kepada Dr. Ir. Mohamad Solahudin, M.Si selaku dosen pembimbing dan Supriyanto, S.TP, M.Kom selaku pembimbing pengambilan data lapangan yang telah banyak memberi saran dan bantuan. Di samping itu, penghargaan penulis sampaikan kepada Bapak Johan Maryanto (Komunitas Internet Petani Liwa/KIPLA), Bapak Sukoyo dan Susono sebagai pemilih dan penggarap cabai. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya, dan rekan-rekan yang telah membantu dalam penyelesaian penelitian dan penulisan skripsi ini.
Semoga tulisan ini bermanfaat.
DAFTAR ISI
Metode Klasifikasi Non-parametrik Bayes 7
DAFTAR TABEL
1 Luasan area hasil pemotretan foto udara dari berbagai ketinggian
kamera 11
2 Nilai R, G, B, dan GS masing−masing objek 15
3 Nilai G dengan B (G/B) dan R dengan G (R/G) masing–masing objek 16 4 Data rata–rata R, G, dan B contoh tanaman cabai pada tiap–tiap kelas
yang digunakan sebagai data training Bayes 19
5 Akurasi hasil training metode Bayes 19
6 Akurasi validasi tanaman individual klasifikasi 4 kelas 20 7 Akurasi validasi tanaman individual klasifikasi 2 kelas 20
8 Persentase serangan virus Gemini per blok 23
DAFTAR GAMBAR
1 Serangga Bemisia tabaci dewasa 3
2 Perkembangan gejala serangan virus gemini pada tanaman cabai 3
3 Representasi citra digital dalam 2 dimensi 4
4 Quadcopter (a) dan Hexacopter (b) 6
5 Diagram alir tahapan−tahapan penelitian 10
6 Hasil potret foto udara lahan cabai merah 11
7 Grafik hubungan ketinggian kamera dengan luasan area 12
8 Spesifikasi lens correction 13
9 Hasil perbaikan foto dengan Photoshop CS 5 13
10 Gambar sampel lahan untuk program pengolah citra 14 11 Tampilan desain program pengolah citra visual basic 6.0 14 12 Grafik rentang nilai RG tanah dan tanaman cabai 15 13 Grafik rentang nilai GB tanah dan tanaman cabai 16 14 Grafik rentang nilai R/G dan G/B pada tanah dan tanaman cabai 17 15 Citra sebelum difilter (kanan) dan citra sesudah difilter (kiri) 17 16 Perbandingan gambar citra foto udara dengan hasil metode Bayes 21 17 Pembagian beberapa blok untuk validasi per citra 22
DAFTAR LAMPIRAN
1 Data pendugaan tiap−tiap baris terbagi dalam 4 kelas untuk akurasi
PENDAHULUAN
Latar Belakang
Cabai merupakan produk hortikultura unggulan Indonesia dan menempati urutan pertama dalam produksi dalam negeri. Kebutuhan terhadap komoditi cabai semakin meningkat seiring dengan peningkatan jumlah penduduk Indonesia. Menurut Badan Pusat Statistik (BPS 2012), luas panen tanaman cabai nasional mencapai 120 275 hektar (ha) dengan produksi nasional 954 363 ton dan produktivitas nasional mencapai 7.93 ton/ha.
Salah satu kendala utama rendahnya produktivitas cabai dalam negeri tersebut disebabkan oleh infeksi virus tanaman. Tanaman cabai yang terserang virus umumnya mengalami hambatan pertumbuhan dan penurunan. Salah satu virus yang sangat merugikan pertanaman cabai adalah Pepper Yellow Leaf Curl Virus (PYLCV) yang termasuk kelompok Begomovirus dari famili Geminiviridae (Faizah 2010). PYLCV disebut juga virus Gemini. Tanaman yang terinfeksi virus ini menunjukkan gejala berupa klorosis pada daun, tepi daun menggulung ke atas seperti mangkuk (cupping), daun keriting dan menguning, tanaman menjadi kerdil dan bunga rontok (Trisno et al. 2010).
Di Indonesia, penyakit virus kuning pertama kali dilaporkan menyerang tanaman tembakau pada tahun 1989. Pada tahun 1996 virus ini ditetapkan sebagai virus potensial di negara-negara Asia yaitu Indonesia, Malaysia, Filipina, Thailand dan Taiwan. Serangan virus ini kemudian diketahui mulai menyerang tanaman cabai di sekitar Lembang pada tahun 2001. Luas serangan virus kuning di seluruh Indonesia pada tahun 2004 mencapai 984.6 ha yang menyebabkan kerugian finansial mencapai Rp 7.31 milyar dengan kehilangan hasil dapat mencapai 20–100% (Gunaeni et al. 2008). Melihat kondisi tersebut, maka diperlukan metode pemantauan dan evaluasi serangan virus yang baik untuk menentukan tindakan yang harus dilakukan.
2
Tujuan
Tujuan dari penelitian ini adalah menganalisis persentase serangan virus Gemini secara visual pada lahan cabai. Pengujian yang dilakukan adalah untuk memprediksi persentase serangan virus Gemini pada lahan tanaman cabai merah.
Ruang Lingkup
Ruang lingkup dari penelitian ini adalah pembuatan program pengolahan citra untuk menganalisis serangan virus Gemini pada cabai merah. Lahan cabai yang terinfeksi virus Gemini diambil citranya melalui foto udara menggunakan multicopter, kemudian citra tersebut dianalisis menggunakan program pengolahan citra visual basic sehingga dapat diketahui persentase serangan virus Gemini pada lahan tersebut.
TINJAUAN PUSTAKA
Cabai Merah (Capsicum annum L.)
Tanaman cabai merah termasuk tanaman herba (perdu semusim) yang batangnya tegak dengan ketinggian tanaman dewasa mencapai 65−120 cm, daunnya mencapai panjang 4−10 cm dan lebar 1.5−4 cm, dan tangkai buahnya sekitar 1.5−4.5 cm. Ukuran buah cabai beragam dengan panjang sekitar 5–15 cm dan lebarnya 0.6−2.0 cm. Bentuk buah umumnya memanjang dengan ujung runcing. Buah cabai merah berwama hijau pada waktu muda dan merah pada saat masak. Tanaman cabai mulai berbunga pada saat berumur 26−31 hari tetapi sebagian besar bunga pertamanya gugur. Pembentukan buah dimulai pada umur 29−40 hari setelah pembuahan. Pemanenan buah pertama dapat dilakukan setelah tanaman berumur 3−4 bulan (Dewa dan Suganjar 2002).
Virus Gemini
3
Gambar 1 Serangga Bemisia tabaci dewasa Sumber : http://www.litbang.deptan.go.id/
Partikel virus berukuran kecil (20 nm) berbentuk isometrik dan materi genetiknya berupa deoxyribonucleic acid (DNA) utas tunggal. Partikel ini muncul secara berpasangan atau kembar sebagai akibat fusi parsial dua partikel isometrik.
Gejala yang ditimbulkan oleh isolat virus Gemini berbeda−beda, tergantung pada genus dan spesies tanaman yang terinfeksi. Gejala pada cabai merah pertama kali muncul pada daun muda atau pucuk berupa bercak kuning di sekitar tulang daun, kemudian berkembang menjadi urat daun berwarna kuning (vein clearing), cekung dan mengkerut dengan warna mosaik ringan atau kuning seperti pada Gambar 2. Gejala berlanjut hingga hampir seluruh daun muda atau pucuk berwarna kuning cerah, dan ada pula yang berwarna kuning bercampur dengan hijau, daun cekung dan mengkerut berukuran lebih kecil dan lebih tebal.
Gambar 2 Perkembangan gejala serangan virus Gemini pada tanaman cabai Virus ditemukan di dataran rendah dari 100 m dpl (diatas permukaan laut) hingga dataran tinggi di atas 1000 m dpl. Virus dapat menyerang berbagai umur tanaman. Virus menyerang berbagai varietas cabai dan berpotensi menyebabkan kehilangan hasil produksi tanaman 20–100% (Gunaeni et al. 2008).
Pengolahan Citra
4
Pengolahan citra digital adalah sebuah disiplin ilmu yang mempelajari tentang teknik-teknik mengolah citra. Citra yang dimaksud disini adalah gambar diam (foto) maupun gambar bergerak (video). Sedangkan digital disini mempunyai maksud bahwa pengolahan citra dilakukan secara digital menggunakan komputer. Sebuah citra digital dapat diwakili oleh sebuah matriks dua dimensi f(x,y) yang terdiri dari M kolom dan N baris seperti pada Gambar 3, dimana perpotongan antara kolom dan baris disebut piksel (pixel = picture element) atau elementerkecil dari sebuah citra.
, ≈
0,0 0,1 … 0, −1 1,0 1,1 … 0, −1
⋮ ⋮ ⋮ ⋮
−1,0 −1,1 … −1, −1
Suatu citra ƒ(x,y) dalam fungsi matematis dapat dituliskan sebagai berikut: 0 ≤ x ≤ M-1
Besarnya nilai M, Ndan Gpada umumnya merupakan perpangkatan dari dua. M = 2m; N = 2n; G = 2k
dimana nilai m, n dan k adalah bilangan bulat positif. Interval (0, G) disebut skala keabuan (grayscale). Besarnya nilai G tergantung pada proses digitalisasinya. Biasanya keabuan 0 (nol) menyatakan intensitas hitam dan 1 (satu) menyatakan intensitas putih. Citra 8 bit, nilai G sama dengan 28 = 256 warna (derajat keabuan) (Kusumanto dan Tompunu 2011).
Gambar 3 Representasi citra digital dalam 2 dimensi
5 Berdasarkan intensitas cahaya yang dimiliki oleh piksel dalam sebuah citra - citra digital dibagi menjadi tiga macam, yaitu citra warna, citra abu-abu, dan citra biner.
1. Citra Warna
Menurut Ahmad (2005) menyatakan bahwa warna ternyata tidak lebih dari sekedar respon psycho-physiological dari manusia untuk intensitas penyinaran yang berbeda. Energi dari cahaya tampak dengan panjang gelombang tertentu ditangkap oleh mata dan diterjemahkan oleh otak sebagai warna. Model pengolahan warna telah banyak dikembangkan oleh para ahli, salah satunya adalah model warna RGB. Model warna RGB menggunakan dasar tiga buah warna pokok yaitu Red (merah), Green (hijau), dan Blue (biru). Suatu citra warna yang disimpan dalam memori 8-bit, setiap pikselnya akan mengandung informasi intensitas tiga buah warna tersebut (R, G, dan B) dengan selang nilai 0–255.
2. Citra Abu-abu (Grayscale)
Sebelum dikuantisasi dan diubah menjadi citra digital, citra mengandung nilai intensitas yang kontinyu. Informasi intensitas dalam suatu citra digital dapat disimpan dalam bentuk gray values atau nilai abu-abu (Nurhasanah 2005). Apabila citra disimpan dalam memori 8-bit, maka setiap piksel dalam citra tersebut akan mengandung nilai intensitas antara 0–255. Pada komputer, piksel dengan nilai intensitas 0 berwarna hitam, intensitas 255 berarti warna putih, sedangkan nilai antara 0–255 adalah warna abu-abu (gabungan warna hitam dan putih).
3. Citra Biner
Citra biner merupakan citra yang dihasilkan dari proses binerisasi. Setiap piksel dalam suatu citra biner 8-bit hanya memiliki dua intensitas warna yaitu 0 (hitam) atau 255 (putih). Citra biner digunakan untuk memisahkan antara obyek dengan latar belakangnya. Citra biner, piksel dengan intensitas warna 0 dikelompokkan ke dalam latar belakang, sedangkan piksel dengan intensitas warna 255 adalah piksel obyek (Ahmad 2005).
Multicopter
Multicopter merupakan pesawat tanpa awak yang memiliki lebih dari 1 motor seperti pada Gambar 4 sebagai mekanis angkat dari flying platform dan baling-baling di tiap ujung-ujung kerangka utama. Bagian tengah digunakan untuk peletakan sumber daya (baterai), sistem kontrol, dan sensor dari multicopter. Sistem kontrol tersebut digunakan untuk mengatur kecepatan dari tiap-tiap motor sesuai dengan gerakan yang diinginkan, contohnya adalah gerakan moving forward yang mana multicopter terbang dan bergerak maju dengan kecepatan tertentu.
6
Gambar 4 Quadcopter (a) dan Hexacopter (b)
Contoh penelitian terdahulu
Penelitian yang dilakukan oleh Hanafi et al (2013), quadcopter dikendalikan melalui antarmuka graphical user interface (GUI) di mana komunikasi antara GUI dan quadcopter dibangun dengan menggunakan sistem komunikasi nirkabel. Penyeimbang kondisi quadcopter dengan kontrol FY90 dan sensor IMU 5DOF. Quadcopter dilengkapi dengan sensor ultrasonik untuk mendarat halus. Semua sinyal dari sensor diproses oleh Arduino Uno dan output dari Arduino Uno diimplementasikan untuk mengontrol baling-baling quadcopter.
Penelitian yang dilakukan oleh Lafleur et al (2013), kontrol quadcopter dalam tiga dimensi (3D) ruang menggunakan brain-computer interface berbasis citra noninvasif scalp electroencephalogram (EEG) pada subyek manusia. Sinyal bioelectric dihasilkan dari imajinasi motor tangan diperoleh melalui amplifier di workstation subjek yang didigitalkan dan diteruskan ke sistem komputer. Penyaringan dan pengolahan lebih lanjut dari hasil sinyal konversi ke sinyal kontrol yang dapat menentukan pergerakan quadcopter tersebut. Sinyal ini dikirim secara teratur melalui WiFi ke quadcopter untuk memperbarui gerakannya, sementara quadcopter secara bersamaan menangkap citra dalam bentuk video dan mengirimkannya kembali ke workstation komputer.
Penelitian yang dilakukan oleh Li et al (2014), klasifikasi tutupan lahan pada metropolitan, Arizona, menggunakan foto udara dengan National Agriculture Imagery Program (NAIP) ditambah dengan data geographic information system (GIS) kadaster saja dan pendekatan jaringan hirarkis yang menyeimbangkan perhitungan waktu dengan akurasi klasifikasi. Segmentasi citra yang digunakan ada 4, yaitu multi-resolution, multi-threshold, quadtreebased, and chessboard segmentation.
7 Metode Klasifikasi Non Parametrik Bayes
Bidang estimasi densitas non parametrik telah berkembang dalam beberapa tahun terakhir dengan berbagai alat-alat baru untuk analisis statistik. Tujuannya adalah untuk memperkirakan fungsi kepadatan yang mendasari dari pelatihan data, dan idenya adalah bahwa lebih banyak data dalam suatu daerah, semakin besar pula fungsi kepadatan.
Klasifikasi Bayes dan pengambilan keputusan didasarkan pada teori probabilitas dan prinsip pemilihan opsi yang paling mungkin. Penggunaan secara praktis dari teorema Bayes adalah untuk mengubah probabilitas yang dapat diperkirakan dari pelatihan menggunakan beberapa set data, selanjutnya digunakan sebagai metode klasifikasi.
Metode estimasi kepadatan nonparametrik yang paling banyak digunakan adalah estimasi kernel. Mengingat sampel acak x1 sampai xn independen
terdistribusi secara identik dari probabilitas fungsi kepadatan kontinyu f, didefinisikan dalam persamaan berikut:
hj = Parameter lebar jendela untuk komponen ke j
K(t) = Normal baku (rataan 0 dan simpangan baku 1) d = Dimensi vektor (R, G, B)
n = Jumlah observasi
8
METODE
Bahan
Bahan untuk penelitian ini adalah tanaman cabai merah yang terserang virus gemini milik kelompok tani Liwa dengan luas 5 600 m2, berlokasi di desa Padang Dalam, Kecamatan Balik Bukit, Kabupaten Lampung Barat, Lampung.
Alat 1. Visual Basic 6.0 untuk menganalisa citra
2. Photoshop CS 5 untuk pengeditan citra (koreksi distorsi, tuning kualitas warna) 3. MS. Excel untuk mengolah data awal dan pembuatan grafik
Tahapan Penelitian
Penelitian dilakukan dalam dua tahap seperti yang ditunjukkan pada Gambar 5, yaitu tahap pengamatan dan pengambilan data tanaman cabai secara langsung di lapangan dan tahap pengambilan citra lahan cabai dari udara dengan peralatan kamera yang terpasang pada hexacopter.
Tahap pengamatan dan pengambilan data tanaman cabai secara langsung di lapangan
1. Penentuan lokasi sampel pada lahan cabai merah yang terserang virus Gemini untuk pengamatan dan pengambilan data.
2. Pendefinisian klasifikasi berdasarkan tingkat serangan virus Gemini. Klasifikasi terbagi dalam 4 (empat) kelas serangan virus, yaitu tanaman cabai yang seluruh daunnya keriting dan menguning atau terserang virus akut disebut kelas 0, tanaman cabai yang pucuk daunnya keriting dan bercak kuning atau terserang virus sedang disebut kelas 1, tanaman cabai yang pucuk daunnya keriting dan berbintik kuning atau terserang virus ringan disebut kelas 2, dan tanaman cabai sehat disebut kelas 3.
3. Pengamatan dan pencatatan klasifikasi kelas per tanaman cabai.
9 Tahap pengambilan citra lahan cabai dari udara dengan peralatan kamera yang
terpasang pada hexacopter
1. Persiapan kamera yang akan dipasang pada hexacopter
2. Pemotretan udara lahan cabai dengan hexacopter dilakukan untuk pengambilan citra yang akan digunakan sebagai pengolahan citra dalam program yang sudah dibangun.
3. Hasil pemotretan udara menghasilkan citra yang cembung karena kamera GoPro Hero3 yang digunakan memiliki lensa cembung, maka perlu dilakukan edit koreksi distorsi citra.
4. Citra yang telah selesai dikoreksi, selanjutnya di-crop dan dibagi sesuai jumlah baris dan kolom pada lokasi sampel yang dipilih untuk pengolahan citra.
5. Pembuatan grid yang menyatakan 1 grid mewakili 1 tanaman dan dianalisis RGB pada tiap grid menggunakan program pengolah citra.
6. Hasil analisis tersebut diperoleh nilai rata−rata RGB yang tersimpan dalam bentuk file MS. Excel.
7. Data tersebut diambil 40 sampel sebagai data training metode Bayes dengan klasifikasi 4 kelas serangan virus.
8. Akurasi training Bayes diharuskan mencapai 100% karena akan digunakan sebagai akurasi validasi persentase serangan virus pada masing−masing kelas
9. Semua data rata−rata RGB yang telah diklasifikasi dengan metode Bayes dibuat peta serangan virus pada tanaman cabai merah
10
Metodologi
Gambar 5 Diagram alir tahapan–tahapan penelitian
11
HASIL DAN PEMBAHASAN
Foto Udara
Pemotretan udara dilakukan untuk memotret lahan cabai merah yang terserang virus Gemini dengan posisi tegak lurus terhadap permukaan bumi. Pemotretan menggunakan hexacopter yang dilengkapi dengan kamera digital. Kamera yang digunakan pada penelitian ini adalah kamera GoPro Hero3 Black Edition 12MP lensa cembung. Hasil potret lahan cabai merah dengan kamera ini menghasilkan gambar yang cembung seperti pada Gambar 6.
Gambar 6 Hasil potret foto udara lahan cabai merah
Penentuan ketinggian pemotretan dilakukan dengan cara menghitung hubungan antara ketinggian kamera dan luas area tangkapan yang dihasilkan. Tabel 1 Luasan area hasil pemotretan foto udara dari berbagai ketinggian kamera
Ketinggian kamera (m) Luasan (m2) Panjang (m) Lebar (m)
1.60 10.60 5.31 3.98
3.05 28.70 7.17 5.38
4.08 58.02 9.21 6.91
5.02 92.82 11.05 8.29
12
Gambar 7 Grafik hubungan ketinggian kamera dengan luasan area Hubungan antara ketinggian kamera dan luas tangkapan citra dapat dinyatakan dalam persamaan polinominal ordo 2 sebagai berikut y = 5.652x2 - 13.241x + 17.16. Nilai R2 sebesar 0.9997 itu berarti persamaan rumus dari grafik tersebut dapat digunakan untuk menentukan tinggi kamera terhadap besar luasan area suatu lahan. Luas tanaman cabai merah yang digunakan untuk penelitian adalah 432 m2 dengan menggunakan persamaan grafik tersebut diperoleh ketinggian kamera untuk memotret lahan seluas itu setinggi 9.82 m.
Gambar Pengolahan Citra
13
Gambar 8 Spesifikasi penganturan lens correction
14
Citra yang telah dikoreksi dibagi menjadi beberapa blok untuk dianalisis dengan program yang dibangun. Pada Gambar 10 menunjukkan sampel potongan citra yang akan digunakan untuk program pengolah citra.
Gambar 10 Gambar sampel lahan untuk program pengolah citra
Desain Program Pengolah Citra
Pada program tersebut terdapat dua picture box, yaitu picture box 1 dan picture box 2. Picture box 1 untuk filterisasi citra dan picture box 2 untuk menampilkan hasil segmentasi Bayes. Tombol lainnya berupa command untuk membuka gambar, menghapus gambar, filterisasi, pilih ukuran grid, petakan gambar, keluar program, kotak teks keterangan nilai RGB, kotak teks nilai persentase serangan virus gemini per kelas, dan kotak teks total serangan virus gemini. Berikut dibawah ini desain program pengolah citra yang telah dibangun yang ditunjukkan pada Gambar 11.
15 Filterisasi Citra Program
Filterisasi pada citra diperlukan untuk memisahkan antara objek yang diinginkan dengan objek yang tidak diinginkan. Pada penelitian ini obyek mulsa dan tanah dihilangkan dengan cara melakukan filterisasi dengan nilai pembatas berupa parameter R, G, B, dan GS tertentu agar hanya ada tanaman cabai merah saja. Proses filterisasi ini memperhatikan nilai RGB dan GS dari mulsa, tanah dan tanaman cabai (tanaman berdaun hijau dan berdaun kuning). Hasil uji coba program menunjukkan banyak objek utama (tanaman cabai) yang ikut tereliminasi. Hal ini disebabkan oleh karena hasil pengamatan terhadap nilai R, G, B, dan GS tiap−tiap objek memiliki rentang nilai yang saling berpotongan seperti pada Tabel 2.
Tabel 2 Nilai R, G, B dan GS masing−masing objek
Objek R G B GS
Tanah 59−177 63−161 40−158 54−155
Tanaman hijau 43−130 59−158 33−110 45−132 Tanaman kuning 117−242 125−230 76−110 106−194
Rentang nilai RG tanaman cabai berpotongan dengan rentang nilai RG tanah seperti ditunjukkan pada Gambar 12 dan rentang nilai GB antara tanah dengan tanaman cabai saling berimpit seperti ditunjukkan pada Gambar 13.
16
Gambar 13 Grafik rentang nilai GB tanah (*) dan tanaman cabai (*) Oleh karena itu nilai RGB dan GS tidak dapat dipergunakan sebagai parameter filterisasi sehingga diperlukan parameter lain sebagai nilai penentu filterisasi. Pada penelitian ini nilai perbandingan G dengan B dan R dengan G dipilih sebagai nilai pembatas filterisasi karena dengan menggunakan nilai G/B dan R/G sebagai batas filterisasi program mampu dengan baik membedakan obyek tanah dengan tanaman cabai dengan baik seperti yang ditunjukkan Gambar 14. Nilai−nilai tersebut dapat dilihat pada Tabel 3.
Tabel 3 Nilai G dengan B (G/B) dan R dengan G (R/G) masing–masing objek
Objek G/B R/G
Tanah <1.59 >0.85
Tanaman Hijau >1.59 <0.83
17
Gambar 14 Grafik rentang nilai R/G dan G/B pada tanah (*) dan tanaman cabai (*)
Berdasarkan Tabel 3, menunjukkan bahwa nilai perbandingan G/B dan R/G dapat dengan lebih baik membedakan antara satu objek dengan objek lainnya pada citra. Nilai filter untuk mulsa berkisar 1.1≤ G/B <1.36 dan untuk filter tanah G/B <1.59 dan R/G >0.85. Hasil filterisasi untuk memisahkan obyek tanah dan tanaman adalah seperti pada Gambar 15.
Gambar 15 Citra sebelum difilter (a) dan citra sesudah difilter (b)
Klasifikasi Non-parametrik Bayes
Klasifikasi serangan virus gemini pada lahan cabai merah dengan metode Nonparametrik Bayes dilakukan menggunakan data 3 variabel (3 dimensi), yaitu nilai rara-rata warna R, warna G, dan warna B. Nilai tersebut diambil dari setiap tanaman cabai merah. Pada lahan cabai merah ini dibagi ke dalam 4 kelas, yaitu terserang virus akut atau disebut juga kelas 0, terserang virus sedang atau disebut juga kelas 1, terserang virus ringan atau disebut juga kelas 2, dan sehat atau disebut juga kelas 3.
18
Penaksir inti dari sampel random X1, X2,…, Xn dengan inti K dan lebar jendela h menurut Johnston (1997) (dalam Solahudin 2013) didefinisikan sebagai berikut: menjumlahkan n jumlah bukit (hill) yng memiliki luas (1/n), sehingga persamaan penaksir inti menjadi:
� = 1 �ℎ �
� − � ℎ
Inti (kernel) yang digunakan merupakan fungsi kepadatan probabilitas dengan rataan 0 dan simpangan baku yang tidak bernilai 0. Inti yang digunakan pada sebaran normal adalah inti Gaussian yang nilainya ditentukan berdasarkan formula berikut:
� �
=
12� −�2
2 , untuk - ∞ < t < ∞
Penaksiran nilai inti suatu kelas dari sampel X dinyatakan dalam bentuk persamaan berikut:
hj = Parameter lebar jendela untuk komponen ke j K(t) = Normal baku (rataan 0 dan simpangan baku 1) d = Dimensi vektor (R, G, B)
n = Jumlah observasi
s = Standar deviasi komponen ke j
19 Proses Training Metode Bayes
Pada penelitian ini diambil secara acak 40 sampel nilai dari tiap rata−rata warna merah, rata–rata warna hijau, dan rata–rata warna biru yang diambil hasil keluaran program yang disimpan ke dalam MS. Excel untuk data training metode Bayes. Selanjutnya dimasukkan dalam rumus Bayes, hasil training menghasilkan akurasi 100% sebagaimana tampak pada Tabel 5.
Tabel 4 Data rata–rata R, G, dan B contoh tanaman cabai pada tiap–tiap kelas yang digunakan sebagai data training Bayes
No. Kelas 0 Kelas 1 Kelas 2 Kelas 3
Tabel 5 Akurasi hasil training metode Bayes Jumlah
20
Berdasarkan data tersebut diperoleh persentase akurasi validasi tanaman individual tingkat klasifikasi 4 kelas sebesar rata–rata 64.24%, akan tetapi secara keseluruhan metode yang digunakan dalam membedakan kondisi tanaman sehat dan tanaman terserang virus Gemini, dengan akurasi 91.25%. Akurasi validasi secara detilnya ditunjukkan pada Tabel 6 dan Tabel 7.
Tabel 6 Akurasi validasi tanaman individual klasifikasi 4 kelas Akurasi baris ke- (%) Tabel 7 Akurasi validasi tanaman individual klasifikasi 2 kelas
21
Keterangan: = kelas 0 = kelas 1 = kelas 2 = kelas 3
Gambar 16 Perbandingan gambar citra foto udara dengan hasil metode Bayes Penerapan metode segmentasi Bayes untuk citra lahan pada Gambar 16 diperoleh hasil persentase tiap kondisi atau kelas masing–masing sebesar 30.90% untuk kelas 0, 23.26% untuk kelas 1, 18.63% untuk kelas 2, dan 27.21% untuk kelas 3. Hal ini berarti total penjumlahan terserang virus Gemini dari kelas 0 sampai dengan kelas 2 adalah 72.79%.
Validasi Per Citra
22
Gambar 17 Pembagian beberapa blok untuk validasi per citra
Masing−masing blok dianalisis persentase tingkat serangan virus Gemini berdasarkan kelas serangan virus yang telah ditentukan mulai dari kelas 0 sampai kelas 2. Berikut ini tabel data persentase serangan dari kelas 0 sampai kelas 2 per blok.
1
2
3
4
5
6
7
10
9
23
Tabel 8 Persentase serangan virus Gemini per blok
No. blok Persentase serangan (%) Jumlah (%)
Kelas 0 Kelas 1 Kelas 2
Data hasil analisis serangan virus Gemini pada Tabel 8 divalidasi dengan pendapat pakar (petani) yang menyebutkan bahwa lahan terkena serangan virus Gemini 70%. Validasi dilakukan dengan cara membandingkan hasil program dan pendapat pakar (petani) dengan metode Root Mean Square Error (RMSE). Berdasarkan perhitungan metode RMSE menggunakan data tabel diatas diperoleh nilai rataan eror sebesar 4.42% berarti program memiliki ketelitian sebesar 95.58% terhadap pendugaan serangan virus Gemini di lahan cabai merah tersebut.
SIMPULAN DAN SARAN
Simpulan
Program pengolah citra yang telah dibangun adalah aplikasi berbasis bahasa pemograman visual basic 6.0 yang disajikan berupa desain program untuk pengolahan citra foto udara pada lahan cabai yang terinfeksi virus gemini. Citra foto udara diolah dengan parameter filterisasi nilai perbandingan G/B dan R/G. Nilai filter untuk mulsa berkisar 1.1≤ G/B <1.36 dan untuk filter tanah G/B < 1.59 dan R/G > 0.845.
Segmentasi tanaman cabai merah dilakukan dengan metode Bayes dengan menggunakan 40 data rata–rata RGB sebagai data training diperoleh akurasi 100%. Selain 40 data tersebut, data rata- rata RGB lainnya pada 1 baris tanaman cabai merah digunakan untuk akurasi validasi tanaman individual klasifikasi 4 kelas yang dibandingkan dengan pengamatan langsung diperoleh akurasi 64.24%, sedangkan nilai akurasi yang hanya membedakan tanaman sehat dan tanaman sakit (terserang virus gemini) sebesar 91.25%.
24
ketelitian sebesar 95.58% terhadap pendugaan serangan virus gemini di lahan cabai merah tersebut.
Saran
Program pengolah citra untuk analisis persentase serangan virus Gemini pada cabai merah sudah selesai dibangun, tetapi masih ada kekurangan pada penelitian ini. Berikut penambahan untuk perbaikan dan penyempurnaan diantaranya meliputi:
1. Multicopter yang diprogram autopilot secara otomatis menangkap citra dengan ketinggian kamera yang sesuai dengan luas area yang telah ditentukan sebagai kontrol ketinggian.
2. Penggunaan kamera lensa normal dan resolusi tinggi agar tidak perlu dilakukan koreksi distorsi pada citra.
3. Melakukan pemotretan di beberapa lahan yang memiliki persentase serangan virus Gemini berbeda–beda untuk memperkaya contoh.
4. Pemotretan yang dilakukan harus memenuhi syarat pemotretan yang baik dari segi waktu, peralatan, dan metode.
5. Waktu pemotretan pada 30 hari setelah tanam (HST) karena umur tersebut tanaman cabai rentan terserang virus Gemini sehingga dapat menangulangi potensi kerugian yang mungkin timbul akibat serangan virus.
DAFTAR PUSTAKA
Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta (ID): Graha Ilmu.
[BPS] Badan Pusat Statistik. 2012. Produksi Cabai Besar, Cabai Rawit, dan Bawang Merah. Jakarta (ID): Badan Pusat Statistik.
Basuki A. 2006. Algoritma Pemrograman 2 Menggunakan Visual Basic 6.0. Surabaya (ID): Institut Teknologi Sepuluh November.
Faizah R. 2010. Karakterisasi beberapa genotipe cabai (Capsicum spp.) dan mekanisme ketahanannya terhadap Begomovirus penyebab penyakit
daun keriting kuning [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Gunaeni N, Murtiningsih R, Rubiati T, Setiawati W. 2008. Penyakit Virus Kuning dan Vektornya. Bandung (ID): Balai Penelitian Tanaman Sayuran.
Hanafi D, Qetkeaw M, Ghazali R, Than MNM, Utomo WM, Omar R. 2013. Simple GUI wireless controller of quadcopter. Int J Communications, Network and System Sciences. 6:52-59.
Johnston J, Dinardo J. 1997. Economic Methods 4th Edition. New York (US): MacGraw-Hill Companies Inc.
Kusumanto RD, Tompunu AN. 2011. Pengolahan citra digital untuk mendeteksi obyek menggunakan pengolahan warna model normalisasi RGB. Semantik. Palembang (ID): Politeknik Negeri Sriwijaya.
25
Nurhasanah A. 2005. Identifikasi mutu tingkat ketuaan dan kematangan manggis menggunakan pengolahan citra dan jaringan syaraf tiruan [tesis]. Bogor (ID): Sekolah Pascasarjana Institut Pertanian Bogor.
Rangkuti AH. 2007. Analisis data citra buah–buahan dengan algoritma Fagin dan Threshold [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Rusli ES, Hidayat SH, Suseno R, Tjahjono B. 1999. Virus gemini pada cabai: variasi gejala dan studi cara penularan. Bul HPT. 11(1): 26-31.
Solahudin M. 2013. Pengembangan metode pengendalian gulma pada pertanian presisi berbasis multi agen komputational [disertasi]. Bogor (ID): Institut Pertanian Bogor.
Subrata ID, Suganjar D. 2002. Algoritma Pengolahan Citra Tanaman Cabai Merah Menggunakan Pengindera Tiga Dimensi. Bul Keteknikan Pertanian. Vol 16(1).
Trisno J, Hidayat SH, Jamsari, Habazar T, Manti I. 2010. Identifikasi Molekuler Begomovirus Penyebab Penyakit Kuning Keriting pada Tanaman Cabai (Capsicum annum L.) di Sumatera Barat. J Natur Indonesia. 13(1):41-46. Li X, Myint SW, Zhang Y, Galletti C, Zhang X, Turner BL II. 2014. Object-based
26
27
Lampiran 1 Data pendugaan tiap−tiap baris terbagi dalam 4 kelas untuk akurasi validasi tanaman individual
Tabel akurasi validasi tanaman individual baris ke-1 Jumlah
Tabel akurasi validasi tanaman individual baris ke-2 Jumlah
Tabel akurasi validasi tanaman individual baris ke-3 Jumlah
28
Lampiran 1 (lanjutan)
Tabel akurasi validasi tanaman individual baris ke-5 Jumlah
contoh
Terduga sebagai
Kelas 0 Kelas 1 Kelas 2 Kelas 3
Kelas 0 24 15 7 1 1
Kelas 1 15 3 9 3 0
Kelas 2 7 0 2 3 2
29
RIWAYAT HIDUP
Penulis lahir di Tangerang pada tanggal 13 Agustus 1992 sebagai anak pertama dari 3 bersaudara dari bapak Abdul Manaf dan ibu Rosmala. Penyusun telah menempuh pendidikan sekolah dasar di SDN 1 Cirendeu lulus pada tahun 2004. Lalu sekolah menengah pertama di SMPN 1 Ciputat dan lulus pada tahun 2007. Selanjutnya menempuh pendidikan sekolah menengah atas di SMAN 4 KOTA TANGSEL dan lulus pada tahun 2010. Kemudian pada tahun 2010 terdaftar sebagai mahasiswa Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian Institiut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI) .
Kegiatan penulis di luar akademik berupa keanggotaan organisasi yang meliputi Cybertron TPB pada tahun ajaran 2010−2011, anggota organisasi provinsi Banten pada tahun 2011, anggota himpunan departemen HIMATETA pada tahun 2012–2013. Ketua dalam Pekan Kreativitas Mahasiswa Kewirausahaan (PKM-K) dengan judul “Kostline” atau “Kost−kostan online”.
Penulis melakukan kegiatan praktek lapang di PT. ABBAS-AGRI pada tahun 2013 dengan judul Aspek Keteknikan pada Produksi Hortikultura di Greenhouse PT. ABBAS-AGRI, Cianjur, Jawa Barat.
