PENDUGAAN NILAI
REFLECTANCE
MENGGUNAKAN
TRANSFORMASI
FOURIER
UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN CITRA DAUN JATI BELANDA
DHIEKA AVRILIA LANTANA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Pendugaan Nilai Reflectance Menggunakan Transformasi Fourier untuk Menentukan Usia dan Kandungan Pigmen Citra Daun Jati Belanda adalah benar karya saya dengan arahan dari komisi 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 tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
RINGKASAN
DHIEKA AVRILIA LANTANA. Pendugaan Nilai Reflectance Menggunakan Transformasi Fourier untuk Menentukan Usia dan Kandungan Pigmen Citra Daun Jati Belanda. Dibimbing oleh YENI HERDIYENI dan IRMANIDA BATUBARA.
Salah satu metode kendali mutu yang digunakan untuk mengetahui kualitas daun Jati Belanda (Guazuma ulmifolia) yaitu dengan melihat usia daun. Penelitian ini mengusulkan pendekatan baru untuk menduga spektrum reflectance berdasarkan warna citra digital untuk menentukan usia dan kandungan pigmen citra daun Jati Belanda. Pendugaan spektrum reflectance dilakukan dengan menggunakan Transformasi Fourier. Usia daun Jati Belanda diklasifikasikan menjadi tiga kategori yaitu 1 bulan, 2 bulan dan 3 bulan menggunakan Probabylistic Neural Network (PNN). Selain itu akan dilihat daya absorbance pada masing-masing usia untuk melihat kandungan usia mana yang memiliki daya absorbance paling tinggi.
Metode penelitian ini terdiri atas tiga tahap yaitu estimasi nilai reflectance, pendugaan kandungan pigmen daun dan prediksi usia daun. Data yang digunakan dalam penelitian ini adalah data citra 46 daun tanaman obat yang terdiri atas 23 daun muda dan 23 daun tua sebagai data latih dan 90 daun Jati Belanda sebagai data uji. Selain data citra daun, spektrum reflectance juga dikumpulkan pada setiap daun dengan menggunakan spektrofotometer untuk menentukan model terbaik. Citra daun kemudian dilakukan praproses untuk mendapatkan nilai citra digital pada daerah yang sama dengan pengukuran spektrum reflectance. Terdapat dua dataset yang akan digunakan yaitu dataset 46 dan dataset 276. Pada dataset 46 keenam titik yang telah diukur spektrum reflectance-nya dirata-ratakan. Pada dataset 276 keenam titik tersebut tidak dirata-ratakan namun digunakan langsung sebagai pemodelan.
Pendugaan spektrum reflectance dilakukan dengan menggunakan Transformasi Fourier pada kedua dataset. Model transformasi polynomial digunakan untuk memperbanyak nilai RGB sehingga dapat memperbaiki hasil estimasi spektrum reflectance. Hasil estimasi spektrum reflectance paling baik direkonstruksi menggunakan dataset 276 dengan model transformasi polynomial orde 3. Setelah diperoleh model estimasi terbaik, citra daun Jati Belanda direkonstruksi nilai reflectance-nya. Daya absorbance diperoleh dengan melakukan konversi spektrum reflectance menjadi spectrum absorbance. Berdasarkan hasil absorbance-nya, kandungan klorofil dan karotenoid daun Jati Belanda yang paling tinggi terdapat pada daun usia 3 bulan. Tahap akhir yaitu melakukan klasifikasi spektrum reflectance daun Jati Belanda untuk menentukan usia daun. Metode klasifikasi yang digunakan yaitu menggunakan PNN. Hasil klasifikasi menggunakan pembagian data 5-fold cross validation. Rataan akurasi yang didapat menggunakan 5-fold cross validation yaitu 76.83 %.
SUMMARY
DHIEKA AVRILIA LANTANA. Spectral Reflectances Estimation Using Fourier Transformation to Predict Age and Pigment Content of Jati Belanda Leaf Image. Supervised by YENI HERDIYENI and IRMANIDA BATUBARA.
This research proposes a new method to control quality of Jati Belanda (Guazuma ulmifolia) leaf based on digital image color. Jati Belanda is one of medicinal plant containing antioxidant compounds. Spectral reflectances can be used for quality control based on age of leaf. This research uses Fourier Transformation to estimate the spectral reflectances of Jati Belanda leaf based on digital image color. Age of Jati Belanda leaf is classified into 3 categories: first month, second month and third month using Probabilistic Neural Network (PNN).
In this research, we analyzed reflectance estimaton, pigment content estimation and age of leaf prediction. This research uses data from 46 leaves of medicinal plants (consist of young leaves and old leaves) as training set and 90 leaves of Jati Belanda as testing set. Spectral reflectances are measured for each leaf using spectrophotometer. Preprocessing is performed on image of leaf. Each image of leaf is cropped in the same area with spectral reflectances. There are two datasets in this research, 46 leaves of medicinal plants and 276 leaves of medicinal plants. In dataset 46 leaves of medicinal plants, 6 point that measured using spectrophotometer are averaged to produce a single value. The mean value is used as the training set to estimate the value of reflectance. In dataset 276 leaves of medicinal plants, 6 points is used as the training set.
The experimental result showed that Fourier Transformation can be used to estimate spectral reflectances. According to evaluation using RMSE and GFC, dataset 276 using third order is choosed because it has the smallest RMSE values and high GFC values. After the best model for reflectance estimation have choosen, image of Jati Belanda leaf is reconstructed using the best model into spectral reflectance. To predict absorbance in leaf, spectral reflectance is converted into spectral absorbance. Based on the results of its absorbance, the highest chlorophyll and carotenoid content of Jati Belanda leaves found on leaf age of 3th months. PNN is used to predict age of Jati Belanda leaf. The average accuracy is 76.83 %.
© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Komputer
pada
Program Studi Ilmu Komputer
PENDUGAAN NILAI
REFLECTANCE
MENGGUNAKAN
TRANSFORMASI
FOURIER
UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN CITRA DAUN JATI BELANDA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2014
Judul Tesis : Pendugaan Nilai Reflectance Menggunakan Transformasi Fourier untuk Menentukan Usia dan Kandungan Pigmen Citra Daun Jati Belanda
Nama : Dhieka Avrilia Lantana
NIM : G651120381
Disetujui oleh Komisi Pembimbing
Dr Yeni Herdiyeni, SSi, MKom Ketua
Dr Irmanida Batubara, SSi, MSi Anggota
Diketahui oleh
Ketua Program Studi Ilmu Komputer
Dr Eng Wisnu Ananta Kusuma, ST, MT
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang dipilih dalam penelitian yang dilaksanakan sejak bulan November 2013 ini ialah pendugaan nilai reflectance menggunakan Transformasi Fourier untuk menentukan usia dan kandungan pigmen citra daun Jati Belanda.
Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni, SSi MKom dan Ibu Dr Irmanida Batubara, SSi MSi selaku pembimbing. Terima kasih juga diucapkan kepada Bapak Toto Hartanto, SKom MSi selaku dosen mata kuliah kolokium yang telah banyak memberi saran untuk penelitian ini. Di samping itu, penghargaan penulis sampaikan kepada Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB yang telah membantu dalam pengumpulan data. Ungkapan terima kasih penulis sampaikan kepada ayah, ibu, dan seluruh keluarga serta Hendra Gunawan atas segala doa dan kasih sayangnya.
Ungkapan terima kasih juga penulis sampaikan pada pengelola pascasarjana, seluruh dosen dan staf akademik Departemen Ilmu Komputer Institut Pertanian Bogor, teman-teman angkatan 13.5, angkatan 14 dan mahasiswa fast track atas dukungannya. Terima kasih kepada teman-teman di Laboratorium Computational Intelligence Imu Komputer Institut Pertanian Bogor atas kerja sama dalam melaksanakan penelitian. Semoga karya ilmiah ini bermanfaat.
v
Jati Belanda (Guazuma Ulmifolia) 3
RGB 3
Penyerapan Cahaya oleh Pigmen pada Daun 4
Reflectance 5
Transformasi Fourier 5
Estimasi Spektrum reflectance 5
Analysis of Variance (ANOVA) 7
Probabilistic Neural Network 7
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat 14 Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat 15 Penentuan dataset terbaik sebagai model estimasi 15
Pendugaan Kandungan Pigmen dan Usia Daun 16
Pendugaan Absorbance pada Kandungan Pigmen Daun 16
Pendugaan Usia Daun Tanaman 17
4 HASIL DAN PEMBAHASAN 18
Estimasi Spektrum reflectance 18
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat 18 Estimasi spektrum reflectance dengan 276 Daun Tanaman Obat 19 Penentuan Dataset Terbaik Sebagai Model Estimasi 19
Pendugaan Kandungan Pigmen dan Usia Daun 22
Pendugaan Absorbance pada Kandungan Pigmen Utama Daun 22
Pendugaan Usia Daun 24
5 SIMPULAN DAN SARAN 28
Simpulan 28
Saran 28
vi
LAMPIRAN 32
vii
DAFTAR TABEL
1 Model Transformasi Polynomial (Shatilova 2008) 6 2 Confussion matrix untuk masalah klasifikasi biner 9 3 Pembagian data latih dan data uji dengan 5-fold cross validation 17 4 Nilai error dan GFC menggunakan 46 daun tanaman obat 18 5 Nilai error dan GFC menggunakan 276 daun tanaman obat 19 6 Analisis Keragaman ANOVA terhadap daya absorbance pigmen utama
daun Jati Belanda 24
7 Hasil uji lanjutan menggunakan Uji LSD 24
8 Akurasi hasil identifikasi usia daun dengan 5 fold. 25 9 Confussion Matrix pendugaan usia daun dengan fold 3 25
10 Akurasi identifikasi usia daun Jati Belanda 26
DAFTAR GAMBAR
1 Jati Belanda (Guazuma Ulmifolia) (Suhamiati dan Maryani 2003) 3 2 Representasi dari penggabungan warna (Shatilova 2008) 4 3 Spektrum absorbance cahaya pada pigmen daun (Rabinowitch1951) 4 4 Proses spektrum reflectance yang dihasilkan dari sumber cahaya 5
5 Arsitektur PNN 8
6 Tiga-fold cross validation 9
7 Tahapan penelitian 11
8 Proses pengambilan nilai reflectance menggunakan spektrofotometer 12 9 Ilustrasi pengambilan rataaan spektrum reflectance dan RGB pada
dataset-46 13
10 Proses pengambilan spektrum reflectance dan RGB pada dataset-276 13
11 Proses pengambilan data 14
12 Tahap praproses. 14
13 Bagan alir estimasi nilai reflectance dengan 46 daun tanaman obat 15 14 Bagan alir estimasi nilai reflectance dengan 276 daun tanaman obat 16 15 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan 46
daun tanaman obat 18
16 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
276 daun tanaman obat 19
17 Hasil pengujian untuk estimasi daun Jati Belanda (a) Nilai error spektrum rekonstruksi (b) Nilai GFC spektrum rekonstruksi 20 18 Perbandingan spektrum reflectance rekonstruksi dengan spectrum
reflectance asli daun Jati Belanda 21
19 Analisis spektrum rekonstruksi daun Jati Belanda dengan gelombang
RGB 21
20 Spektrum reflectance rekonstruksi daun Jati Belanda usia 1 bulan, 2
bulan dan 3 bulan 22
21 Spektrum absorbance daun Jati Belanda usia 1,2 dan 3 bulan 22 22 Perbandingan absorbance pigmen utama daun berdasarkan usia daun
viii
23 Perbandingan spektrum reflectance 2 bulan yang salah klasifikasi dengan rataan spektrum reflectance 1 bulan dan rataan spektrum
reflectance 3 bulan 26
24 Perbandingan citra daun Jati Belanda usia 2 bulan yang terklasifikasi sebagai usia 3 bulan dengan citra daun usia 1 bulan dan 3 bulan. a) Citra daun usia 1 bulan, b) Citra daun usia 2 bulan, c) Citra daun usia
3 bulan 27
DAFTAR LAMPIRAN
1
PENDAHULUAN
Latar Belakang
Tanaman obat banyak digunakan oleh masyarakat secara luas ribuan tahun lalu karena harganya yang murah dan efek sampingnya yang sedikit (Liang et al. 2004). Pemanfaatan tanaman obat terus mengalami peningkatan sebagai bahan terapi (Gogtay et al. 2002). Salah satu tanaman obat yang banyak digunakan yaitu Jati Belanda (Guazuma ulmifolia). Daun Jati Belanda selain digunakan sebagai pelangsing juga berpotensi sebagai antioksidan. Daun hijau secara umum mengandung senyawa klorofil dan senyawa karoten yang dapat berfungsi sebagai antioksidan (Beutner et al. 2001, Ferruzzi et al. 2002). Kandungan senyawa aktif daun sangat bervariasi bergantung pada beberapa faktor yaitu spesies, varietas, asal geografis, budidaya, metode pemanenan, proses pasca panen (Singh et al. 2010) dan usia tanaman (Anuradha et al. 2010). Salah satu dari faktor tersebut yaitu usia tanaman dapat dijadikan penanda mutu dari suatu tanaman obat.
Usia tanaman obat dapat dilihat dari tingkat kecerahan warna daun. Daun tanaman obat yang berusia muda memiliki warna daun yang lebih terang, sedangkan daun tanaman obat yang berusia tua memiliki daun berwarna gelap. Warna daun dapat menentukan spektrum reflectance (Azizah 2013). Reflectance merupakan sinar yang dipantulkan oleh daun sedangkan absorbance merupakan sinar yang diserap oleh daun. Jumlah kandungan senyawa aktif pada daun berpengaruh pada besarnya spektrum reflectance dan absorbance (Skoog et al. 2004). Daun tanaman obat yang berusia muda mengandung sedikit senyawa aktif sehingga penyerapan sinar matahari menjadi sedikit sedangkan sinar yang dipantulkan menjadi banyak. Sebaliknya, daun tanaman obat yang berusia tua memiliki kandungan senyawa aktif yang besar sehingga penyerapan sinar matahari menjadi banyak sedangkan sinar yang dipantulkan sedikit (Permana 2011). Jumlah kandungan senyawa aktif yang bervariasi tersebut mempengaruhi stabilitas dan keamanan produk obat sehingga dibutuhkan metode kendali mutu tanaman obat.
2
warna. Pengolahan citra yang dilakukan adalah dengan melihat nilai reflectance yang diambil dari sebuah citra dengan menggunakan kamera berdasarkan nilai RGB.
Pendugaan spektrum reflectance dari citra tanaman obat menggunakan metode Wiener Estimation telah berhasil dilakukan oleh Azizah (2013) untuk menentukan usia tanaman obat. Berdasarkan penelitiannya, rekonstruksi spektrum reflectance tanaman obat Sambiloto menghasilkan orde 2 sebagai model transformasi polynomial terbaik dengan data citra 97 standar warna dan 46 tanaman obat sebagai data latih untuk matriks transformasi. Akurasi penentuan usia daun tanaman obat adalah 73.61%. Pendugaan spektrum reflectance juga telah dimanfaatkan oleh Chen et al (2013) dengan menggunakan Transformasi Fourier. Dari hasil penelitiannya, Transformasi Fourier mampu untuk memodelkan spektrum reflectance secara umum dan dapat digunakan untuk berbagai dataset.
Penelitian ini menggunakan metode Transformasi Fourier untuk menduga spektrum reflectance berdasarkan warna citra digital daun Jati Belanda. Citra digital yang telah didapat kemudian akan diduga spektrum reflectance-nya. Nilai reflectance tersebut nantinya akan menjadi fitur untuk menentukan kualitas tanaman obat berdasarkan usia tanaman.
Tujuan Penelitan
Tujuan penelitian ini adalah menduga spektrum reflectance berdasarkan warna citra digital menggunakan Transformasi Fourier untuk menentukan usia dan kandungan pigmen citra daun Jati Belanda.
Manfaat Penelitian
Manfaat penelitian ini adalah untuk membantu masyarakat dalam mengetahui mutu dari daun Jati Belanda berdasarkan usia sehingga daun tanaman obat dapat digunakan secara benar dan tepat dengan mutu yang baik.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini antara lain:
1. Pembangunan model estimasi reflectance menggunakan 46 jenis daun tanaman obat yang terdiri atas 23 daun tanaman obat muda dan 23 daun tanaman obat tua. Daun tanaman obat didapat dari Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB.
3
2
TINJAUAN PUSTAKA
Jati Belanda (Guazuma Ulmifolia)
Jati Belanda merupakan tanaman yang banyak digunakan untuk pengobatan tradisional (Gambar 1). Jati Belanda berasal dari negara Amerika Serikat dan juga tumbuh liar di daerah tropis lainnya seperti Indonesia, khususnya di pulau Jawa dan Madura. Daun Jati Belanda mengandung alkaloid, flavonoid, saponin, steroid, triterpenoid, dan tanin. Tanaman Jati Belanda biasanya dimanfaatkan untuk obat pelangsing selain itu tanaman Jati Belanda mempunyai efek antidiare, astringen dan penurun koleterol (Sulaksana 2005).
Gambar 1 Jati Belanda (Guazuma Ulmifolia) (Suhamiati dan Maryani 2003) Jati Belanda merupakan tanaman semak atau pohon yang memiliki tinggi 10-20 m. Jati Belanda memiki batang yang keras, bulat, permukaan kasar, beralur banyak, berkayu, berwarna hijau keputih-putihan. Akar daun Jati Belanda merupakan akar tunggang dengan warna putih kecokelatan. Daun Jati Belanda berwarna hijau, berbentuk bulat telur dengan permukaan kasar, tepi bergerigi, ujung runcing, pangkal berlekuk, pertulangan menyirip, berseling, panjang 4-22.5 cm dan lebar 2-10 cm (Suhamiati dan Maryani 2003).
RGB
RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru. Citra RGB merupakan citra digital yang mengandung matriks data berukuran m x n x 3 yang merepresentasikan warna merah, hijau dan biru untuk setiap pikselnya. Warna RGB memiliki panjang gelombang 400 nm sampai 700 nm yang dapat direpresentasikan antara lain (Maroto et al. 2006):
1. Biru = 435.8 nm 2. Hijau = 546.1 nm 3. Merah = 700 nm
4
Gambar 2 Representasi dari penggabungan warna (Shatilova 2008)
Penyerapan Cahaya oleh Pigmen pada Daun
Daun memiliki molekul pigmen yang mempunyai karakterisik penyerapan cahaya masing-masing. Terdapat dua jenis pigmen utama yang terkandung dalam daun yaitu klorofil dan karotenoid. Senyawa klorofil yang terdapat pada tumbuhan hijau terbagi menjadi dua yaitu klorofil-a dan klorofil-b. Klorofil berperan penting dalam proses fotosintesis dan merupakan pigmen utama penyerap cahaya yang terdapat pada membran tylakoid (Lehninger 2000). Karotenoid merupakan senyawa yang memberikan warna merah dan jingga pada buah-buahan, ganggang, mikroorganisme, sayur-sayuran dan kerangka luar hewan crustacea seperti udang. Karotenoid yang terdapat di alam sangat banyak jumlahnya. Karotenoid juga berperan penting dalam fotosintesis dan penyerapan oksigen untuk kelangsungan hidup tanaman (Sanchez et al. 2010).
Penyerapan cahaya oleh tiga pigmen yaitu klorofil-a, klorofil-b dan karotenoid ditunjukkan pada Gambar 3. Masing-masing spektrum menunjukkan perbedaan gelombang yang diserap oleh setiap pigmen. Klorofil-a menyerap cahaya biru-violet dan merah sedangkan klorofil-b menyerap cahaya biru dan oranye. Klorofil-a dapat menyerap cahaya maksimal dengan panjang gelombang 420 nm dan 660 nm. Sedangkan klorofil-b menyerap maksimal pada panjang gelombang 453 nm dan 643 nm. Panjang gelombang 467 dan 496 dapat secara kuat membuktikan adanya keberadaan karotenoid (Rabinowitch1951).
5
Reflectance
Reflectance merupakan sinar yang dipantulkan oleh sebuah objek, sedangkan absorbance adalah sinar yang diserap oleh sebuah objek yang terdapat pada panjang gelombang tertentu. Setiap objek yang berbeda mematulkan dan menyerap panjang gelombang yang berbeda. Satuan spektrum reflectance dinyatakan dalam Watt/m2 (CRIPS 2001). Proses nilai reflectance yang dihasilkan dari sumber cahaya dapat dilihat pada Gambar 4.
Gambar 4 Proses spektrum reflectance yang dihasilkan dari sumber cahaya
Transformasi Fourier
Transformasi Fourier merupakan algoritme untuk mengubah domain waktu X menjadi domain atau spektrum frekuensi Y, yaitu menguraikan sinyal menjadi komponen sinusoidal penyusunnya (Bracewell 2000). Transformasi Fourier, dinamakan sesuai dengan nama penemunya Joseph Fourier, adalah sebuah transformasi matematika yang banyak diaplikasikan dalam bidang fisika dan teknik/rekayasa (engineering). Secara umum, transformasi tersebut dilakukan untuk mengubah sebuah fungsi matematika yang berdasar pada waktu (domain waktu). Persamaan (1) merupakan nilai Transformasi Fourier ( � ) diskret 1 dimensi sedangkan Persamaan (2) merupakan inverse Transformasi Fourier ( ).
Transformasi Fourier dalam aplikasi citra RGB digunakan untuk melakukan estimasi spektrum reflectance citra yang diperoleh dari kamera digital. Pemodelan linier untuk estimasi spektrum reflectance ditentukan menggunakan Persamaan
Permukaan halus Permukaan kasar
6 S = Sensitivitas kamera d = matriks RGB dari kamera
= (4)
dengan d merupakan matriks RGB sedangkan r merupakan matriks spektrum reflectance. Model transformasi polynomial yang digunakan pada penelitian ini dapat dilihat pada Tabel 1. Model transformasi polynomial digunakan untuk memperbanyak nilai input citra yang awalnya hanya berupa nilai Red (R), Green (G) dan Blue (B) saja menjadi R, G, B, R2,G2, B2, RGB.
Tabel 1 Model Transformasi Polynomial (Shatilova 2008)
Orde Terms Model Transformasi Polynomial
1 3 R G B
2 7 R G B R2 G2 B2 RGB
3 10 R G B R2 G2 B2 RG RB GB RGB
Evaluasi hasil estimasi spektrum reflectance dilakukan dengan menggunakan dua pendekatan yaitu: Goodness-of-Fit Coefficient (GFC) dan root-mean-square-error (RMSE). GFC digunakan untuk melihat kemiripan pola antara spektrum reflectance rekonstruksi dengan spektrum reflectance asli. Sedangkan untuk mengukur nilai error spektrum reflectance rekonstruksi dapat dihitung dengan menggunakan RMSE. Nilai GFC dapat dihitung dengan menggunakan Persamaan (5) (Mansouri et al. 2008).
7
s = spektrum reflectance asli
= spektrum reflectance rekonstruksi n = banyak channnel spektrum reflectance
Analysis of Variance (ANOVA)
Analysis of Variance (ANOVA) satu arah merupakan suatu metode untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Teknik tersebut dapat digunakan untuk menguji kesamaan beberapa nilai tengah secara sekaligus. Prinsip Uji Anova adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi di dalam kelompok (within) dan variasi antar kelompok (between). Anova bertujuan untuk menentukan bagaimana kelompok saling berinteraksi dan mempengaruhi. Anova dapat dibedakan menjadi One Way Anova dan Two Way Anova (Walpole 1990).
Probabilistic Neural Network
Probabilistic Neural Network (PNN) diusulkan oleh Donald F. Specht pada tahun 1988 sebagai perbaikan dari backpropagation neural network. PNN memiliki beberapa kelebihan yaitu pelatihan yang hanya memerlukan satu kali iterasi dan solusi umumnya diperoleh dengan menggunakan pendekatan Bayesian (Ramakrishnan 2008). PNN menggunakan radial basis function (RBF). RBF adalah fungsi berbentuk seperti bel yang menskalakan variabel nonlinear. Salah satu keuntungan utama dari PNN adalah pelatihannya yang mudah dan cepat, serta strukturnya yang sederhana (Wu et al. 2007). PNN memiliki 4 lapisan, yaitu lapisan input, lapisan pola, lapisan penjumlahan dan lapisan keluaran yang ditunjukkan Gambar 5.
Lapisan penyusun PNN adalah sebagai berikut: 1. Lapisan input (input layer)
Lapisan input merupakan input x yang terdiri atas nilai k yang akan diklasifikasikan pada salah satu kelas dari n kelas.
2. Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input dan vektor bobot xAi, yaitu ZA = x. xAi. ZA kemudian dibagi dengan bias (σ) tertentu dan selanjutnya dimasukkan ke dalam fungsi Parzen, yaitu g(x) = exp (-x). Dengan demikian, persamaan yang digunakan pada lapisan pola dapat ditentukan dengan persamaan (7).
= exp − −
2σ2 (7)
8
3. Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan sehingga menghasilkan population density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini persamaan (8).
� � | = 1 4. Lapisan keluaran (output layer)
Pada lapisan keluar akan diambil nilai maksimum dari peluang kelas masing-masing.
Gambar 5 Arsitektur PNN
K-fold Cross Validation
9 validation biasanya digunakan untuk mengevaluasi model klasifikasi karena rendahnya jumlah sampel yang tersedia. Data akan dibagi menjadi dua bagian yaitu data latih dan data uji. Pembagian data menjadi data latih dan data uji dengan cross validation membuat penggunaan data menjadi lebih baik untuk klasifikasi. Data latih digunakan untuk membangun model klasifikasi sedangkan data uji digunakan untuk menguji kinerja model klasifikasi (Westerhuis et al. 2008).
Pada k-fold cross validation data D dibagi menjadi k bagian (fold) yaitu D1, D2, . . . . Dk yang sama besar dengan data D. Jika D1 menjadi data uji maka D2 sampai Dk digunakan sebagai data latih. Proses tersebut berlangsung sampai semua bagian D digunakan sebagai data uji dan data latih (Kohavi 1995). Gambar 6 menunjukkan ilustrasi dari tiga-fold cross validation.
Gambar 6 Tiga-fold cross validation
Confusion Matrix
Salah satu metode untuk melakukan pengujian ketelitian hasil klasifikasi dalam penelitian adalah dengan menggunakan metode confusion matrix. Confusion matrix memiliki informasi mengenai kelas aktual dan prediksi dari suatu sistem klasifikasi (Kohavi dan Provost 1998). Kebanyakan teknik klasifikasi mencari model yang mencapai akurasi paling tinggi atau secara ekuivalen error yang paling rendah ketika diaplikasikan ke data uji. Tabel 2 adalah confusion matrix untuk masalah dua kelas, yang diberi label kelas positif (+) dan kelas negatif (-). Jumlah data yang diklasifikasikan dengan benar adalah jumlah diagonal dalam matrik, sedangkan yang lainnya adalah yang salah diklasifikasikan (Srinivasulu et al. 2009).
Tabel 2 Confussion matrix untuk masalah klasifikasi biner Kelas prediksi
+ -
Kelas Aktual + TP FN
- FP TN
Informasi dalam confusion matrix diperlukan untuk menentukan kinerja model klasifikasi. Ringkasan informasi ini ke dalam sebuah nilai digunakan untuk membandingkan kinerja dari model-model yang berbeda. Hal ini dapat dilakukan
Data
Data latih Data uji
Data uji
10
dengan menggunakan performace metric seperti akurasi yang didefinisikan pada Persamaan (9) (Srinivasulu et al. 2009).
� � � = �+
�+ + + � (9)
dengan:
True positive (TP) = jumlah data kelas positif yang benar diprediksi oleh model klasifikasi.
False negative (FN) = jumlah data kelas positif yang salah diprediksi sebagai negatif oleh model klasifikasi.
False positive (FP) = jumlah data kelas negatif yang salah diprediksi sebagai positif oleh model klasifikasi.
11
3
METODE PENELITIAN
Tahapan penelitian yang dilakukan dalam penelitian ini adalah estimasi nilai reflectance, pendugaan kandungan pigmen daun dan usia daun. Tahapan penelitian dapat dilihat pada Gambar 7.
Pengumpulan Data
Penelitian ini menggunakan data citra 46 daun tanaman obat yang terdiri atas 23 daun muda dan 23 daun tua dan 90 daun Jati Belanda yang diambil dari Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB. Daun yang telah berusia 1 bulan, 2 bulan dan 3 bulan diambil nilai reflectance-nya dengan menggunakan alat spektrofotometer yang telah tersambung dengan komputer.
Gambar 7 Tahapan penelitian
Estimasi nilai reflectance Pendugaan kandungan pigmen dan usia daun
12
Spektrofotometer saat ini telah menjadi alat yang banyak digunakan untuk mengukur data hyperspectral dengan akurasi yang baik (Anglopoulou et al. 2001). Spektrum reflectance diambil pada bagian bawah tulang daun sebanyak 6 titik. Proses pengambilan nilai spektrum reflectance dapat dilihat pada Gambar 8. Terdapat dua dataset yang akan digunakan yaitu dataset-46 dan dataset-276. Pada dataset-46 keenam titik yang telah diukur spektrum reflectance-nya dirata-ratakan dan kemudian rataan tersebut digunakan sebagai pemodelan.
Adapun proses pengumpulan dataset-46 daun tanaman obat dapat dilihat pada Gambar 9. Pada dataset-276, keenam titik tersebut tidak dirata-ratakan namun digunakan langsung sebagai pemodelan. Proses pengumpulan dataset-276 dapat dilihat pada Gambar 10. Daun yang telah diukur spektrum reflectance-nya kemudian diambil citranya menggunakan kamera Canon 8 MP dimana setiap citra akan diletakkan secara bergantian dalam kotak yang memiliki latar belakang putih. Gambar 11 menunjukkan proses pengambilan data citra daun. Pencahayaan di dalam kotak menggunakan lampu tungsten sebesar 15 watt. Jarak pengambilan citra diatur sebesar 50 cm dan sudut pengambilan gambar 90˚ dari sumber cahaya. Hal ini dilakukan agar warna pencahayaan yang dihasilkan sama dengan waktu pengambilan spektrum reflectance menggunakan spektofotometer USB 4000. Data citra daun yang telah diambil fotonya berukuran 3888 x 2592 piksel. Citra yang terkumpul sebanyak 46 daun tanaman obat sebagai dataset (Lampiran 1). Masing-masing jenis daun tanaman obat diambil citranya sebanyak 1 daun. Citra daun Jati Belanda yang terkumpul sebanyak 600 daun digunakan sebagai data latih dan data uji.
Praproses
Citra daun tanaman obat yang diperoleh dilakukan praproses, yaitu dilakukan pemotongan secara manual pada bagian tengah daun sebesar 100x100 piksel. Praproses juga dilakukan pada citra sampel daun Jati Belanda tiap usianya, yaitu dengan memotong bagian bawah tulang daun dengan ukuran 100x100 piksel. Cropping dilakukan agar wilayah pengambilan nilai RGB sama dengan pengambilan spektrum reflectance. Setelah dilakukan praproses pada masing-masing sampel, kemudian diolah citranya untuk didapatkan nilai RGB dari masing-masing sampel. Tahapan praproses dapat dilihat pada Gambar 12.
Enam titik tempat pengambilan nilai reflectance
13
Gambar 9 Ilustrasi pengambilan rataaan spektrum reflectance dan RGB pada dataset-46
Gambar 10 Proses pengambilan spektrum reflectance dan RGB pada dataset-276
Keenam titik reflectance dan RGB
dirata-ratakan 1
Reflectance1515
1RGB13 Keenam titik
reflectance dan RGB
dirata-ratakan 1Reflectance2515
1RGB23
Keenam titik reflectance dan RGB
dirata-ratakan 1Reflectance46515 1RGB463
Daun 1
Daun 2
Daun 46
46Reflectance515
46RGB3
Daun 46 Daun 2 Daun 1
6Reflectance1515
6RGB13
6Reflectance2515
6RGB23
6Reflectance46515
6RGB463
276Reflectance515
14
Gambar 11 Proses pengambilan data
Gambar 12 Tahap praproses.
Estimasi Spektrum Reflectance
Penelitian ini menggunakan metode Transformasi Fourier sebagai metode estimasi spektrum reflectance. Tahap estimasi spektrum reflectance bertujuan untuk memperoleh vektor ciri pada suatu citra yang akan digunakan untuk klasifikasi. Proses estimasi spektrum reflectance yang dilakukan yaitu dengan mendapatkan basis fourier pada dataset yang telah dikumpulkan. Spektrum reflectance akan didekomposisi oleh Transformasi Fourier ke dalam komponen frekuensi dan fase.
Frekuensi dan fase tersebut akan menjadi basis untuk merekonstruksi reflectance dari citra daun. Penentuan fungsi basis fourier adalah dengan melihat energi yang terkandung dalam setiap dataset. Energi tersebut dapat menentukan seberapa besar informasi yang terkandung pada suatu basis. Semakin tinggi energi yang terdapat pada suatu frekuensi maka akan semakin dominan basis tersebut dalam suatu spektrum reflectance. Terdapat dua dataset yang digunakan yaitu dataset-46 dan dataset-276.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Estimasi spektrum reflectance dilakukan dengan mendekomposisi dataset spektrum 46 daun tanaman obat. Dataset 46 daun tanaman obat terdiri atas 23 daun tanaman obat muda dan 23 daun tanaman obat tua. Hasil dari proses dekomposisi terhadap dataset akan menghasilkan basis fourier. Basis fourier tersebut kemudian digunakan untuk merekonstruksi spektrum reflectance dari 10
15 citra daun Jati Belanda menggunakan Persamaan 3. Ilustrasi untuk estimasi spektrum reflectance dapat dilihat pada Gambar 13.
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Untuk memperkecil kesalahan hasil estimasi spektrum reflectance dapat dilakukan dengan memperbanyak data pada dataset. Dalam hal ini dataset berupa 23 daun tanaman obat muda dan 23 daun tanaman obat tua diukur spektrum reflectance dan RGB-nya sebanyak 6 titik. Pengukuran 6 titik tersebut menghasilkan dataset sebesar 276 spektrum reflectance dan RGB daun tanaman obat. Penambahan data pada dataset dilakukan agar nilai error dapat menjadi lebih kecil. Ilustrasi untuk rekonstruksi spektrum reflectance dengan dataset 276 daun tanaman obat dapat dilihat pada Gambar 14.
Penentuan dataset terbaik sebagai model estimasi
Hasil nilai spektrum reflectance rekonstruksi daun Jati Belanda kemudian dievaluasi nilai error-nya dengan nilai reflectance daun yang sebelumnya diukur menggunakan spektrofotometer. Selain itu juga dihitung nilai GFC untuk melihat kemiripan spektrum reflectance rekonstruksi dengan spektrum reflectance asli. Penentuan dataset sebagai model estimasi dilakukan dengan melihat nilai error yang paling kecil dan nilai GFC yang paling mendekati 1.
Training set
Dekomposisi dengan FFT
Rekonstruksi Reflectance
Test set
Evaluasi menggunakan RMSE dan GFC
Polinomial terbaik
16
Pendugaan Kandungan Pigmen dan Usia Daun
Setelah didapatkan model terbaik untuk estimasi spektrum reflectance, langkah selanjutnya adalah merekonstruksi seluruh citra daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan. Pemilihan daun Jati Belanda hingga usia 3 bulan dilakukan karena daun Jati belanda baik dikonsumsi pada usia 3 bulan (Noviyanti 2013). Spektrum reflectance rekonstruksi pada daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan dapat digunakan untuk menduga kadar senyawa aktif pada daun Jati Belanda yaitu klorofil-a, klorofil-b dan karoten pada setiap bulannya. Klorofil dan karoten memegang peranan penting sebagai antioksidan. Selain itu, reflectance rekonstruksi juga dijadikan penciri untuk menduga usia daun.
Pendugaan Absorbance pada Kandungan Pigmen Daun
Pendugaan kadar klorofil dan karoten pada citra daun Jati Belanda dilihat berdasarkan nilai absorbance-nya sehingga hasil estimasi spektrum reflectance harus ditransformasi terlebih dahulu menjadi spektrum absorbance. Transformasi spektrum reflectance menjadi spektrum absorbance dapat dilakukan dengan Persamaan 11 (Zainal et al. 2012).
absorbance = Log (1/Reflectance) (11)
Pendugaan kandungan senyawa aktif dilihat berdasarkan panjang gelombang senyawa aktif tersebut secara maksimal menyerap cahaya (Mala 2003). Klorofil-a dapat menyerap cahaya maksimal dengan panjang gelombang 420 nm dan 660 nm sedangkan klorofil-b menyerap cahaya maksimal pada panjang gelombang 453 nm dan 643 nm. Karotenoid dapat diduga pada panjang gelombang 467 nm dan 496 nm (Rabinowitch1951). Pada penelitian ini, pendugaan kandungan klorofil-a dilakukan pada panjang gelombang 660 nm
Training set
17 sedangkan pendugaan kandungan klorofil-b dilakukan pada panjang gelombang 643 nm. Pendugaan karoten dilakukan pada panjang gelombang 496 nm.
Pendugaan Usia Daun Tanaman
Tahap selanjutnya adalah mengklasifikasikan spektrum reflectance rekonstruksi dengan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji. Pembagian data latih dan uji untuk klasifikasi dengan PNN menggunakan metode k-fold cross validation. K-fold cross validation digunakan untuk mengevaluasi dan mengukur kinerja prediksi model klasifikasi. Data akan dibagi menjadi 2 bagian dengan teknik cross validation. Satu bagian digunakan sebagai data latih, yaitu untuk membuat parameter model dalam PNN. Bagian lainnya merupakan test set (data uji) yang digunakan untuk menguji kinerja model (Westerhuis et al. 2008).
Pada penelitian ini menggunakan nilai k = 5 sehingga disebut 5-fold cross validation. Pembagian data latih dan data uji dengan 5-fold cross validation ditunjukkan pada Tabel 3. Data dibagi menjadi 5 subset. Setiap subset digunakan sebagai data uji dan 4 subset lainnya menjadi data latih. Hasil ekstraksi data latih digunakan untuk membuat model klasifikasi. Penentuan hasil klasifikasi ditentukan oleh nilai peluang maksimum yang mengarah ke salah satu usia daun tanaman. Evaluasi kinerja model klasifikasi didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan oleh Persamaan 9.
Tabel 3 Pembagian data latih dan data uji dengan 5-fold cross validation Percobaan Data latih Data uji
18
4
HASIL DAN PEMBAHASAN
Estimasi Spektrum reflectance
Tahapan paling penting dalam mengestimasi spektrum reflectance yaitu memilih dataset sebagai training set dan menentukan model transformasi polynomial terbaik untuk penentuan basis. Terdapat dua dataset yang digunakan yaitu 46 daun tanaman obat dan 276 daun tanaman obat. Pemilihan dataset dan model transformasi polynomial ditentukan berdasarkan nilai RMSE dan GFC. Nilai RMSE dan GFC merupakan parameter penentu kebaikan dari dataset dan model transformasi polynomial yang akan digunakan untuk estimasi spektrum reflectance.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Nilai RGB yang telah didapat dari 46 daun tanaman obat dihitung dengan menggunakan model transformasi polynomial yang ditentukan pada Tabel 1. Model transformasi polynomial tersebut dilakukan untuk memperbesar nilai RGB sehingga tidak hanya menggunakan nilai R, G dan B saja. Spektrum reflectance daun tanaman obat yang diperoleh melalui spektrofotometer didekomposisi menggunakan Transformasi Fourier sehingga didapatkan matriks basis fourier. Basis fourier tersebut kemudian digunakan untuk melakukan estimasi nilai reflectance ( ) terhadap citra daun Jati Belanda dengan menggunakan Persamaan (3). Spektrum reflectance rekonstruksi untuk daun Jati Belanda usia 3 bulan dengan menggunakan dataset 46 daun tanaman obat dapat dilihat pada Gambar 15. Nilai error dan GFC dapat dilihat pada Tabel 3.
Tabel 4 Nilai error dan GFC menggunakan 46 daun tanaman obat Orde 1 Orde 2 Orde 3
RMSE 9.71 16.31 71.38
GFC 0.85 0.97 0.91
19 Berdasarkan hasil pada Tabel 4, penambahan nilai RGB dengan model transformasi polynomial yang digunakan untuk estimasi spektrum reflectance daun Jati Belanda tidak mempengaruhi spektrum reflectance rekonstruksi. Model polynomial terbaik untuk estimasi spektrum reflectance adalah orde 1 dengan nilai error 9.71 dan nilai GFC sebesar 0.85.
Estimasi spektrum reflectance dengan 276 Daun Tanaman Obat
Dekomposisi basis fourier juga dilakukan pada dataset reflectance 276 daun tanaman obat. Nilai RGB yang telah didapat dari 46 daun tanaman obat dihitung dengan menggunakan model polynomial yang sudah ditentukan pada Tabel 1. Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan 276 daun tanaman obat sebagai training set dapat dilihat pada Gambar 16. Tabel 5 menunjukkan nilai error dan GFC yang dihasilkan dengan menggunakan dataset 276 daun tanaman obat. Berdasarkan hasil pengujian pada Tabel 4, nilai error yang paling baik yaitu menggunakan model transformasi polynomial dengan orde 3. Penambahan nilai RGB dengan menggunakan model transformasi polynomial ternyata mampu memperkecil nilai error dengan GFC yang cukup baik pada dataset 276 daun tanaman obat.
Tabel 5 Nilai error dan GFC menggunakan 276 daun tanaman obat Orde 1 Orde 2 Orde 3
RMSE 11.33 6.56 4.83
GFC 0.87 0.96 0.96
Gambar 16 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan 276 daun tanaman obat
Penentuan Dataset Terbaik Sebagai Model Estimasi
Setelah dilakukan pengujian terhadap dataset kemudian akan ditentukan dataset terbaik sebagai model estimasi spektrum reflectance daun Jati Belanda dengan mempertimbangkan nilai error dan GFCnya. Gambar 17 menunjukkan hasil pengujian terhadap masing-masing dataset untuk estimasi daun Jati Belanda. Berdasarkan Gambar 17a, nilai error terkecil terdapat pada orde 3 dengan dataset
20
276 daun tanaman obat. Hal ini disebabkan penambahan dataset yang lebih banyak dapat memperkecil nilai error. Penggunaan model transformasi polynomial pada dataset 276 juga dapat memperkecil nilai error. Evaluasi menggunakan GFC menghasilkan 0.97 sebagai nilai tertinggi yang terdapat pada dataset 46 dengan orde 2 (Gambar 17b). Tetapi dataset 46 dengan orde 2 tidak dapat dijadikan sebagai data latih karena memiliki nilai error yang cukup besar. Oleh karena itu, sebagai data latih untuk penentuan basis dipilih dataset 276 dengan orde 3 karena memiliki GFC 0.96 dengan error yang paling kecil yaitu 4.83. Gambar 18 menunjukkan perbandingan spektrum reflectance rekonstruksi daun Jati Belanda dengan spektrum reflectance asli menggunakan dataset 276 dengan orde 3.
(a)
(b)
21
Gambar 18 Perbandingan spektrum reflectance rekonstruksi dengan spectrum reflectance asli daun Jati Belanda
Dari hasil spektrum reflectance rekonstruksi daun Jati Belanda (Gambar 18), estimasi spektrum reflectance antara panjang gelombang 460 nm – 700 nm memiliki spektrum reflectance rekonstruksi yang baik. Pada panjang gelombang 410 nm – 450 nm spektrum reflectance rekonstruksi sedikit berbeda dengan spektrum reflectance asli. Perbedaan hasil spektrum reflectance rekonstruksi dengan spektrum reflectance asli terjadi pada daerah warna biru atau warna gelap (Gambar 19). Hal tersebut disebabkan karena citra daun Jati Belanda relatif berwarna terang sehingga panjang gelombang dengan warna-warna terang relatif baik dalam estimasi. Selain itu, pada dataset tidak ditemukan informasi warna pada panjang gelombang 410 nm – 450 nm sehingga kesalahan spektrum reflectance rekonstruksi pada panjang gelombang tersebut menjadi besar.
22
Pendugaan Kandungan Pigmen dan Usia Daun
Daun Jati Belanda yang berusia 1, 2 dan 3 bulan direkonstruksi nilai reflectance-nya menggunakan model terbaik yang telah didapatkan dari tahapan estimasi reflectance. Gambar 20 menunjukkan spektrum reflectance rekonstruksi daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan.
Pendugaan Absorbance pada Kandungan Pigmen Utama Daun
Pendugaan kandungan klorofil dan karoten dilihat berdasarkan nilai absorbance-nya sehingga hasil estimasi spektrum reflectance harus ditransformasi terlebih dahulu menjadi spektrum absorbance menggunakan Persamaan 11. Hasil transformasi spektrum reflectance menjadi spektrum absorbance dapat dilihat pada Gambar 21.
Gambar 20 Spektrum reflectance rekonstruksi daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan
Gambar 21 Spektrum absorbance daun Jati Belanda usia 1,2 dan 3 bulan
23 Spektrum absorbance daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan memiliki pola yang sama. Hal ini menunjukkan bahwa jenis kandungan senyawa pada daun Jati Belanda adalah sama, namun yang membedakan adalah jumlah yang diserap oleh kandungan tersebut (Purnamasari 2013). Penyerapan panjang gelombang tertentu oleh suatu senyawa kimia ditunjukkan oleh terjadinya puncak-puncak gelombang pada spektrum absorbance. Semakin besar kandungan suatu senyawa kimia, maka akan semakin besar nilai absorbance-nya atau puncak gelombang semakin tinggi (Mala 2003).
Gambar 21 menunjukkan puncak gelombang tertinggi berada pada panjang gelombang 664.03 nm. Hal tersebut menunjukkan bahwa komponen utama daun Jati Belanda adalah klorofil-a, karena penyerapan cahaya maksimal oleh klorofil-a yaitu pada panjang gelombang 660 nm (Rabinowitch1951). Puncak gelombang selanjutnya terjadi pada 644.87 nm. Puncak gelombang tersebut menunjukkan adanya serapan yang dilakukan oleh klorofil-b. Klorofil-b mampu menyerap cahaya maksimal yaitu pada panjang gelombang 643 nm (Rabinowitch1951). Pada kondisi normal, proporsi klorofil-a pada daun akan lebih banyak dari klorofil-b (Suyitno 2008). Puncak gelombang tersebut menunjukkan adanya serapan yang dilakukan oleh klorofil-b. Klorofil-b mampu menyerap cahaya maksimal yaitu pada panjang gelombang 643 nm (Rabinowitch1951). Puncak gelombang selanjutnya diamati pada panjang gelombang 494.79 yang menandakan adanya pigmen karoten.
Daya absorbance senyawa aktif menunjukkan perbedaan konsentrasi senyawa aktif yang terdapat pada tiap usianya. Gambar 22 menunjukkan perbandingan total klorofil-a, klorofil-b dan karoten tiap usia daun. Daun Jati Belanda usia 3 bulan memiliki daya absorbance yang paling tinggi jika dibandingkan dengan daun Jati Belanda usia 1 bulan dan 2 bulan. Nilai absorbance yang tinggi tersebut menunjukkan bahwa sinar yang diserap oleh daun Jati Belanda juga tinggi. Hal tersebut dikarenakan kandungan klorofil dan karoten pada usia daun Jati Belanda 3 bulan cukup tinggi. Kandungan senyawa aktif yang tinggi mengakibatkan daya absorbance daun Jati Belanda usia 3 bulan menjadi tinggi karena absorbance berbanding lurus dengan konsentrasi senyawa yang dimiliki daun (Skoog et al. 2004). Berdasarkan daya absorbance yang ditunjukkan pada Gambar 22, daun Jati Belanda usia 3 bulan memiliki kualitas yang baik sebagai antioksidan karena memiliki daya absorbance senyawa aktif antioksidan yang paling tinggi.
Gambar 22 Perbandingan absorbance pigmen utama daun berdasarkan usia daun 1,2 dan 3 bulan
1 bulan 2 bulan 3 bulan
24
Daya absorbance total daun Jati Belanda kemudian diolah menggunakan analisis keragaman (ANOVA) satu arah. Analisis keragaman dilakukan untuk melihat apakah usia daun Jati Belanda tersebut mempengaruhi daya absorbance atau tidak. Hasil ANOVA dapat dilihat pada Tabel 6. Adapun hipotesis yang digunakan yaitu:
H0: Usia daun Jati Belanda tidak berpengaruh terhadap daya absorbance pigmen utama daun
H1: Usia daun Jati Belanda berpengaruh terhadap daya absorbance pigmen utama daun
Tabel 6 Analisis Keragaman ANOVA terhadap daya absorbance pigmen utama daun Jati Belanda
Kuadrat F-Hitung P-value F-Tabel
Antar Kelompok 0.6640 2 0.3320 9.9496 0.0002 3.1588
Dalam Kelompok 1.9020 57 0.0334
Jumlah 2.5660 59
Berdasarkan Tabel 6 diperoleh bahwa F-Hitung lebih besar dari F-Tabel dengan alpha 5%. Hal tersebut mengindikasikan kesimpulan tolak H0, artinya usia daun jati belanda berpengaruh terhadap daya absorbance pigmen utama daun. Hasil anova menunjukkan bahwa terdapat perbedaan yang signifikan antara usia dengan absorbance senyawa klorofil dan karoten. Oleh karena itu perlu dilakukan uji lanjutan untuk mengetahui tentang ada tidaknya perbedaan antara usia yang satu dengan usia yang lainnya. Uji lanjutan yang digunakan yaitu uji LSD (Least Significance Different). Tabel 7 menunjukkan hasil uji LSD.
Tabel 7 Hasil uji lanjutan menggunakan Uji LSD
Usia Rata-rata Usia Rata-rata Besar beda SD Keterangan
1 bulan 2.98 2 bulan 3.06 0.08 0.12 Tidak berbeda
signifikan
1 bulan 2.98 3 bulan 3.23 0.25 0.12 Berbeda signifikan
2 bulan 3.06 3 bulan 3.23 0.17 0.12 Berbeda signifikan
Berdasarkan Tabel 7, diperoleh kesimpulan antara lain:
1 Absorbance klorofil dan karoten usia 1 bulan dengan 2 bulan tidak berbeda
25 daun yang terdiri atas 200 daun usia 1 bulan, 200 daun usia 2 bulan dan 200 daun usia 3 bulan. Citra tersebut kemudian dibagi menjadi data latih dan data uji dengan proporsi sebesar 80% dan 20%. Data latih yang digunakan yaitu sebesar 480 citra dengan jumlah pada tiap usia yaitu 160 citra. Data uji yang digunakan yaitu sebesar 120 dengan jumlah tiap usia sebesar 40 citra. Akurasi hasil identifikasi usia daun berdasarkan 5-fold cross validation dapat dilihat pada Tabel 8.
Tabel 8 Akurasi hasil identifikasi usia daun dengan 5 fold. fold Akurasi
Akurasi yang terbesar terdapat pada fold 1, fold 2 dan fold 3 yaitu sebesar 78.33 %. Oleh karena itu data latih pada fold 1, fold 2 dan fold 3 dapat digunakan untuk membangun sistem pendugaan usia daun karena dapat menjadi penciri yang baik untuk membedakan daun Jati Belanda usia 1 bulan, 2 bulan dan 3 bulan. Data uji pada fold 3 terdiri atas 480 citra. Jumlah citra daun Jati Belanda yang berusia 1 bulan, 2 bulan, dan 3 bulan masing-masing sebanyak 40 citra. Hasil klasifikasi untuk identifikasi usia daun dengan fold 3 dapat dilihat pada Tabel 9.
Tabel 9 Confussion Matrix pendugaan usia daun dengan fold 3
Usia Daun Jati Belanda Kelas Prediksi Total
1 bulan 2 bulan 3 bulan
26
Tabel 10 Akurasi identifikasi usia daun Jati Belanda Usia Daun Jati Belanda Akurasi
1 bulan 75 %
2 bulan 65 %
3 bulan 95 %
Rata-rata 78.33 %
Berdasarkan Tabel 10, hasil akurasi paling rendah terdapat pada daun usia 2 bulan. Berdasarkan Tabel 9, sebanyak 26 data uji daun usia 2 bulan terklasifikasikan dengan benar, namun terdapat 6 data uji yang salah diklasifikasikan sebagai kelas 1 dan 8 data uji yang salah diklasifikasikan sebagai kelas 3. Hal tersebut disebabkan oleh spektrum reflectance pada usia 2 bulan tidak berbeda jauh dengan spektrum reflectance usia 1 dan 3 bulan (Gambar 21) sehingga beberapa daun Jati Belanda yang berusia 2 bulan teridentifikasi sebagai daun Jati Belanda berusia 1 dan 3 bulan. Selain itu, cara penanaman dan faktor geografis juga dapat mempengaruhi pertumbuhan tanaman. Gambar 23 menunjukkan perbandingan spektrum reflectance usia 2 bulan yang salah identifikasi dengan rataan spektrum reflectance 1 bulan dan rataan spektrum reflectance 3 bulan.
Gambar 23 Perbandingan spektrum reflectance 2 bulan yang salah klasifikasi dengan rataan spektrum reflectance 1 bulan dan rataan spektrum reflectance 3 bulan
Gambar 23 menunjukkan bahwa spektrum reflectance data yang salah uji berhimpit dengan rataan spektrum reflectance daun usia 3 bulan. Hal tersebut menyebabkan kesalahan identifikasi pada data uji yang seharusnya masuk ke kelas daun usia 2 bulan menjadi kelas daun usia 3 bulan. Spektrum reflectance data yang salah klasifikasi erat kaitannya dengan citra warna RGB yang diperoleh saat pengambilan citra oleh kamera. Data uji daun usia 2 bulan yang salah diklasifikasikan sebagai daun usia 3 bulan terdapat pada Gambar 24. Berdasarkan Gambar 24, citra daun usia 2 bulan yang salah terklasifikasi menjadi usia 3 bulan
27 memiliki citra yang cukup gelap sehingga salah diidentifikasi menjadi usia 3 bulan. Hal tersebut dapat dipengaruhi oleh faktor-faktor lain seperti cara penanaman dan faktor geografis sehingga pada usia 2 bulan, tingkat senyawa aktifnya sama dengan daun usia 3 bulan.
a) b) c) Gambar 24 Perbandingan citra daun Jati Belanda usia 2 bulan yang
28
5
SIMPULAN DAN SARAN
Simpulan
Penelitian ini menggunakan Transformasi Fourier sebagai metode ekstraksi ciri untuk mengestimasi spektrum reflectance dari citra. Dataset dan model transformasi polynomial terbaik dengan metode Fourier Transformation adalah 276 daun tanaman obat dengan menggunakan model transformasi polynomial orde 3. Hasil evaluasi menggunakan RMSE dan GFC sebesar 4.83 dan 0.96. Daya absorbance tertinggi pada senyawa klorofil terdapat pada daun Jati Belanda usia 3 bulan. Akurasi yang didapat dari hasil klasifikasi yaitu sebesar 76.83 %.
Saran
29
DAFTAR PUSTAKA
Anglopoulou E, Molana R, Daniilidis K. 2001. Multispectral Skin Color Modelling. . Di dalam: Computer Society Conference on Computer Vision and Pattern Recognition. 2: 635-642.
Anuradha VE, Jaleel CA, Salem MA, Gomathinayagam M, Panneerselvam R. 2010. Plant growth regulators induced changes in antioxidant potential and andrographolide content in Andrographis paniculata Wall.ex Nees. Pesticide Biochemistry and Physiology 98: 312–316.
Azizah Nurul. 2013. Perkiraan Spektrum reflectancece Berdasarkan Warna Digital Menggunakan Wiener Estimation Untuk Menduga Usia Tanaman Sambiloto [Skripsi]. Bogor[ID]: Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Beutner S, Bloedorn B, Frixel S, Hernández BI, Hoffmann T, Martin H-D, Mayer B, Noack P, Ruck C, Schmidt M, Schülke I, Sell S, Ernst H, Haremza S, Seybold G, Sies H, Stahl W and Walsh R. 2001. Quantitative assessment of antioxidant properties of natural colorants and phytochemicals: carotenoids, flavonoids, phenols and indigoids. The role of β-carotene in antioxidant
Chen Q, He S, Xu X, Li B. 2013. Linear Modelling for Spectral Images Based on Truncated Fourier Series. TELKOMNIKA Indonesian Journal of Electrical Engineering. 11(9): 5245-5252.
Fathniyah VEF. 2011. Pengembangan fotometer jinjing untuk kendali mutu rimpang temulawak (curcuma xanthorriza) [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Ferruzzi MG, Böhm V, Courtney PD and Schwartz SJ. 2002. Antioxidant and Antimutagenic Activity of Dietary Chlorophyll Derivatives Determined by Radical Scavenging and Bacterial Reverse Mutagenesis Assays. Journal of Food Science. 67(7): 2589–2595. doi: 10.1111/j.1365-2621.2002.tb08782.x . Gogtay NJ, Bhatt HA, Dalvi SS, Kshirsagar NA. 2002. The use and safety
of non-allopathic Indian medicine. Drug Saf. 25:1005–1019.
Gonzalez RC, Woods R E. 2002. Digital Image Processing. New Jersey (US): Prentice Hall.
Kohavi R. 1995. A study of cross-validation and bootstrap for accuracy estimation and model selection. Di Dalam: International Joint Conference on Artificial Intelligence (IJCAI), 14(2): 1137-1145.
Kohavi R, Provost F. 1998. On Applied Research in Machine Learning. Di Dalam: Editorial for the Special Issue on Applications of Machine Learning and the Knowledge Discovery Process, (3).
30
Liang YZ, Xie P, Chan K. 2004. Quality control of herbal medicines. Journal of Chromatography 812: 53–70.
Mala D.M. Pendugaan Kadar Air, Karbohidrat, Protein dan Lemak Tepung (Zea mays) dengan Teknologi Near Infrared [Skripsi]. Bogor [ID]: Fakultas Teknologi dan Pertanian. Institut Pertanian Bogor.
Mansouri A, Sliwa T, Hardeberg J, Voisin Y. 2008. Representation and Estimation of Spectral Reflectances Using Projection on PCA and Wavelet Bases. Wiley Periodicals, Inc.
Mao J, Xu J (2006): Discrimination of herbal medicines by molecular spectroscopy and chemical pattern recognition. Spectrochim Acta 65:497–500. Maroto JA, Valverde CM, Penalver dan Tejero. 2006. Description of additive Menggunakan Pengolahan Citra Dan Teknik Pengenalan Pola Secara Kemometrik [Skripsi]. Bogor[ID]: Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Pravanza dan Lukito. 2003. Khasiat dan Manfaat Sambiloto: Raja Pahit Aneka Penyakit. Jakarta: Agromedia Pustaka.
Permana D. 2011. Kendali Mutu Daun Sambiloto (Andrographis Paniculata) Menggunakan Fotometer Jinjing Dan Metode Pengenalan Pola [Skripsi]. Bogor[ID]: Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Purnamasari A. 2013. Kendali Mutu Daun Sambiloto (Andrographis Paniculata) Menggunakan Pengolahan Citra Dan Teknik Pengenalan Pola Secara Kemometrik [Skripsi]. Bogor[ID]: Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Rabinowitch E. 1951. Photosynthesis and related processes. Soil Science. 72(6):482.
Ramakrishnan S, Emary I. 2008. Comparative Study Between Traditional and Modified Probabilistic Neural Network. India : Springer Science.
Rao RB, Fung G, Rosales, R. 2008. On the Dangers of Cross-Validation. An Experimental Evaluation. Di dalam: Proceedings of the 2008 SIAM International Conference on Data Mining. 588-596.
Sanchez MD, Sevilla JM, Fernandez FG, Garcia MC, Grima EM. 2010. Supercritical fluid extraction of carotenoids from Scenedesmus almeriensis. Food Chemistry 123: 928-935.
Singh SK, Jha SK. Chaudhary, Yadava RDS, Rai SB. 2010. Quality control of herbal medicines by using spectroscopic techniques and multivariate statistical analysis. Pharmaceut Biol. 48:134-141.
Skoog DA, Donald MW, Holler FJ, Stanley RC. 2004. Fundamentals of Analytical Chemistry. Ed ke-8. Canada (CA): Brooks Cole.
31
9(6):11-18. Tersedia pada:
http://paper.ijcsns.org/07_book/200906/20090602.pdf.
Suharmiati, Maryani H. 2003. Khasiat & manfaat jati belanda: sipelansing & peluruh kolesterol Sehat dengan ramuan tradisional. Agromedia.
Sulaksana J. 2005. Kemuning dan Jati Belanda dan Pemanfaat Untuk Obat. Jakarta: Penabur swadaya.
Suyitno. 2008. Modul Pengayaan Materi Projek Pendampingan SMA. Yogyakarta[ID]: Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Negeri Yogyakarta.
Walpole RE dan Myers RH. 1990. Probability and Statistics for Engineers and Scientists. New York : MacMillan PublishingCompany.
Westerhuis JA, Hoefsloot HCJ, Smit S, Vis DJ, Smilde AK, Velzen EJJ, van Duijnhoven JPM, van Dorsten FA. 2008. Assessment of PLSDA cross validation. Metabolomics. 4:81–89. doi: 10.1007/s11306-007-0099-6 Wu SG, Bao FS, Xu EY, Wang Y, Chang Y. Xiang Q. 2007. A leaf
recognition algorithm for plant classification using probabilistic neural networks. Di dalam: Signal Processing and Information Technology. 2007 IEEE International Symposium on; 2007 Des 15-18; Kairo. Mesir. Kairo (EG): IEEE. hlm 11-16.
32
Lampiran 1 Data latih 46 daun tanaman obat untuk pembentukan model basis
No Nama Daun Daun Muda Daun Tua
1 Dudang Kayu
2 Remak Daging
3 Sambang Dara
4 Sirih
5 Jinten
6 Daun Iler
33 Lanjutan
No Nama Daun Daun Muda Daun Tua
8 Daun Duduk
9 Handeleum/
Daun Ungu
10 Jawer Kotok
11 Bidani
12 Tabat Barito
13 Alamanda
14 Jati Belanda
34 Lanjutan
No Nama Daun Daun Muda Daun Tua
16 Sambiloto
17 Landik
18 Salam
19 Nona Makan
Sirih
20 Keji Beling
Ungu
21 Ganda Rusa
22 Bangun
23 Nona Gendis
35 Lampiran 2 Hasil identifikasi uisa daun Jati Belanda menggunakan fold 3
38
