Identifikasi Citra Hama Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network

(1)

IDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN

GRAY LEVEL CO-OCCURRENCE MATRIX

DAN KLASIFIKASI

PROBABILISTIC NEURAL NETWORK

RIZKIA HANNA AMALIA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Citra Hama Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi

Probabilistic Neural Network 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 skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Juli 2013

Rizkia Hanna Amalia

(4)

ABSTRAK

RIZKIA HANNA AMALIA. Identifikasi Citra Hama Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network. Dibimbing oleh TOTO HARYANTO dan NINA MARYANA.

Serangan hama pada tanaman tomat merupakan salah satu penyebab utama kegagalan panen. Untuk mengendalikan hama ini diperlukan identifikasi hama yang dapat dilakukan dengan berbagai cara. Seiring dengan perkembangan teknologi, identifikasi suatu objek dapat dilakukan menggunakan citra digital. Pada penelitian ini, Gray Level Co-occurrence Matrix (GLCM) digunakan untuk mengidentifikasi tiga kelas hama tanaman tomat, yaitu Helicoverpa armigera, Spodoptera litura dan Chrysodeixis chalcites. Identifikasi hanya dilakukan pada fase dewasa tiga jenis hama tersebut. Identifikasi menggunakan lima unsur citra

grayscale yaitu energi, homogenitas, kontras, korelasi dan entropi. Teknik klasifikasi Probabilistic Neural Network (PNN) menghasilkan rata-rata akurasi sebesar 78.89%.

Kata Kunci: Level Co-occurrence Matrix, hama tomat, identifikasi, Probabilistic Neural Network

ABSTRACT

RIZKIA HANNA AMALIA. Identification of Tomato Pest using Gray Level Co-occurrence Matrix and Probabilistic Neural Network. Supervised by TOTO HARYANTO and NINA MARYANA.

Pests cause a major failures in harvesting tomato plants. Identification of tomato pests can be done in various ways. Nowadays, objects can be performed by processing digital images. In this research, Gray Level Co-occurrence Matrix (GLCM) is used to identify three classes of plant pests of tomato, namely

Helicoverpa armigera, Spodoptera litura and Chrysodeixis chalcites. For identification, only three types of pests in adults phase was used. Identification is conducted using the five elements of grayscale image: energy, homogeneity, contrast, correlation and entropy. The identification result using Probabilistic Neural Network (PNN) produces average accuracy of 78.89%.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada

Departemen Ilmu Komputer

IDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN

GRAY LEVEL CO-OCCURRENCE MATRIX

DAN KLASIFIKASI

PROBABILISTIC NEURAL NETWORK

RIZKIA HANNA AMALIA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)

(7)

Judul Skripsi : Identifikasi Citra Hama Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network

Nama : Rizkia Hanna Amalia

NIM : G64090040

Disetujui oleh

Toto Haryanto, SKom MSi Pembimbing I

Dr Ir Nina Maryana, MSi Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(8)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga tugas akhir ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2012 ini ialah hama tanaman tomat, dengan judul Identifikasi Citra Hama Tomat Menggunakan

Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network. Terima kasih penulis ucapkan kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini, yaitu:

1 Ayahanda Akhmad Saefudin dan Ibunda Siti Maesaroch serta adik Daffa Rakha Prayoga yang selalu memberikan kasih sayang, semangat dan doa. 2 Bapak Toto Haryanto, SKom MSi dan Ibu Dr Ir Nina Maryana, MSi selaku

dosen pembimbing yang telah memberikan arahan dan bimbingan kepada penulis dalam menyelesaikan tugas akhir ini.

3 Ibu Dr Imas S Sitanggang, SSi MKom selaku dosen penguji dalam tugas akhir ini.

4 Ibu Aisyah dan Bapak Wawan yang telah membantu penulis dalam menyediakan hama tanaman tomat.

5 Rini Windyastuti, Kak Cut Malisa Irwan dan M. Luthfi Fajar sebagai teman satu bimbingan yang selalu memberikan masukan dan semangat kepada penulis.

6 Rekan-rekan di Departemen Ilmu Komputer angkatan 46 atas segala kebersamaan.

7 Teman-teman kontrakan Luksie Wipriyance, Annisa Noyara Rahmasary dan Wahyu Retno Savitri.

8 Teman-teman seperjuangan Dina, Niken, Marlisa dan Revita. Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2013

(9)

DAFTAR ISI

DAFTAR TABEL vii

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN vii

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 2

Pengambilan Data 2

Praproses Citra 4

Ekstraksi Ciri Citra 4

K-fold Cross Validation 5

Model Klasifikasi Citra 6

Pengujian 6

HASIL DAN PEMBAHASAN 7

Pengambilan Data 7

Praproses Citra 7

Ekstraksi Ciri Citra 8

Model Klasifikasi Citra 8

Analisis Kesalahan 10

Pengujian 12

SIMPULAN DAN SARAN 13

Simpulan 13

Saran 13

DAFTAR PUSTAKA 14

LAMPIRAN 16

(10)

DAFTAR TABEL

1 Hasil akurasi (%) klasifikasi pada jarak 1 9

6 Confusion matrix jarak 2 sudut 135° fold 5 12

7 Hasil selisih ciri tekstur citra uji dan citra latih fold 5 12

8 Confusion matrix pengujian 13

9 Hasil selisih ciri tekstur citra uji dan citra latih pengujian 13

DAFTAR GAMBAR

1 Metode penelitian 3

2 Citra hama 4

3 Struktur PNN 7

4 Tahapan praproses citra 8

5 Grafik perbandingan sudut 11

6 Sudut GLCM 11

7 Perbandingan citra uji dan citra latih S. litura pada fold 5 12

DAFTAR LAMPIRAN

1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera

pada jarak 1 16

2 Hasil perbandingan rata-rata citra uji dan citra latih S. litura fold

5 22

(11)

PENDAHULUAN

Latar Belakang

Tomat merupakan salah satu jenis sayuran buah yang sangat dikenal oleh masyarakat. Rasa tomat yang manis segar memberikan kesegaran pada tubuh. Karena cita rasanya yang khas ini, tomat banyak digemari oleh banyak orang. Cita rasa dan kelezatan tomat yang khas ini juga dapat menambah cita rasa dan kelezatan berbagai macam masakan dan minuman (Cahyono 2008). Tanaman tomat banyak tumbuh di dataran tinggi. Dari data Dirjen Hortikultura Deptan (2011) setiap tahunnya produktivitas tomat mengalami naik turun. Naik turunnya produktivitas tomat ini dapat disebabkan oleh berbagai hal, salah satunya serangan hama dan penyakit. Hama adalah organisme yang merusak tanaman dan secara ekonomis merugikan manusia (Tjahjadi 1989). Antara (2010) melaporkan adanya serangan hama tomat yang menyebabkan petani mengalami kerugian 3 juta rupiah per hektar.

Untuk mengendalikan suatu hama diperlukan berbagai informasi, di antaranya adalah informasi mengenai hama apa yang menyerang. Saat ini identifikasi hama umumnya dilakukan secara manual, misalnya dengan merujuk pada panduan gambar spesimen, spesimen pembanding di laboratorium atau kunci identifikasi. Teknologi semakin berkembang, salah satunya di bidang pengolahan citra digital. Pengolahan citra digital adalah pemrosesan citra, khususnya dengan menggunakan komputer sehingga kualitas citra menjadi baik dan akan memberikan informasi warna (Hermantoro 2007). Adanya pengolahan citra digital membantu mempermudah identifikasi hama secara otomatis. Dalam bidang pengolahan citra digital, citra dapat dianalisis dari warna, tekstur maupun bentuknya.

Wen dan Guyer (2012) melakukan identifikasi serangga kebun buah berbasis citra menggunakan global feature extraction yang di dalamnya memuat ciri tekstur Gray Level Co-occurrence Matrix (GLCM) dengan akurasi 85.3%. Teknik ekstraksi ciri GLCM juga menghasilkan akurasi yang paling baik yaitu 99% pada citra tekstur Brodatz dibandingkan dengan teknik yang lain seperti Linear Regression Model, Wavelet dan Gabor (Suresh dan Shunmuganathan 2012). Hartadi (2011) mengidentifikasi potensi kanker payudara pada mammogram menggunakan ekstraksi ciri GLCM dengan baik. Identifikasi pada penelitian ini dilakukan dengan mengambil tujuh unsur citra grayscale yaitu entropi, kontras, energi, homogenitas, korelasi, mean dan standar deviasi dengan akurasi tertinggi 86%. Penelitian lain yang dilakukan oleh Gasim (2006) untuk mengidentifikasi jenis kayu berbasis citra menggunakan enam unsur citra

grayscale yaitu entropi, kontras, energi, homogenitas, level dan standar deviasi menghasilkan akurasi di atas 76%. Teknik ekstraksi ciri GLCM dengan model klasifikasi Probabilistic Neural Network (PNN) menghasilkan akurasi 78% dengan hanya menggunakan tiga ciri tekstur GLCM yaitu energi, entropi dan kontras (Mishra 2013).

(12)

2

pengembangan, sistem identifikasi berbasis citra digital ini dipilih tiga jenis hama saja pada fase dewasa. Fase dewasa ketiga jenis hama berupa ngengat yang hampir sama namun berbeda pada pola sayap. Hama tersebut berada pada ordo Lepidoptera, famili Noctuidae yaitu Chrysodeixis chalcites Esper, Spodoptera litura Fabricius, dan Helicoverpa armigera (Hübner). Penelitian ini mencoba untuk menghasilkan sistem identifikasi hama tanaman tomat berbasis citra digital menggunakan teknik ekstraksi ciri GLCM dengan lima ciri tekstur dan teknik klasifikasi PNN dengan menggunakan tiga jenis hama tomat pada fase dewasa dalam famili Noctuidae.

Tujuan Penelitian Tujuan penelitian ini adalah sebagai berikut:

1 Membuat model identifikasi tiga jenis hama tanaman tomat berbasis citra. 2 Membandingkan kinerja GLCM pada sudut dan jarak berbeda.

Manfaat Penelitian

Penelitian ini diharapkan dapat menjadi acuan dalam pengembangan identifikasi citra otomatis untuk hama lainnya dan selanjutnya dapat dimanfaatkan oleh berbagai kalangan khususnya dalam penanggulangan hama tomat.

Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah sebagai berikut:

1 Data penelitian ini ditentukan hanya tiga jenis hama tanaman tomat fase dewasa yang berada pada famili yang sama dan mempunyai kemiripan.

2 Background yang digunakan pada saat pengambilan citra harus berwarna putih. 3 Posisi hama pada saat pengambilan citra adalah posisi ideal, yaitu posisi hama

direntang.

METODE

Metode penelitian yang digunakan dapat dilihat pada Gambar 1. Tahapan penelitian ini meliputi pengambilan data, praproses citra, k-fold cross validation, ekstraksi ciri citra, model klasifikasi PNN dan pengujian.

Pengambilan Data

(13)

3

a Chrysodeixis chalcites

Telur C. chalcites berwarna agak putih. Larva berwarna hijau dan biasanya membentuk kepompong pada bagian bawah daun. Ngengat berwarna gelap dan terdapat bintik-bintik keemasan berbentuk Y pada sayap depan (Rukmana 1994).

C. chalcites menyerang daun sehingga daun tinggal epidermis atau tinggal tulang daunnya pada fase larva dan juga menyerang buah tomat (Open 2008).

b Spodoptera litura

Telur S. litura berwarna putih dan berbulu halus seperti diselimuti kain laken. Saat keluar dari telur, larva berwarna hijau muda kemudian akan berubah menjadi hitam kecokelatan dan memiliki kalung hitam pada segmen abdomen yang ke empat dan ke sepuluh. Pupa S. litura berwarna coklat gelap dan terdapat di dalam tanah. Sayap ngengat di bagian depan berwarna coklat atau keperakan sedangkan sayap bagian belakang berwarna keputihan-putihan dengan bercak hitam. Gejala serangan S. litura pada daun ialah terdapat sisa-sisa epidermis bagian atas dan tulang-tulang daun saja. Gejala serangan pada buah ditandai dengan timbulnya lubang tidak beraturan pada buah tomat (Setiawati et al. 2001).

c Helicoverpa armigera

Serangan hama H. armigera dapat menyebabkan kerusakan pada buah tomat sebesar 80% (Uhan dan Suriaatmadja 1993). Telur H. armigera berwarna kuning muda dan berubah menjadi abu-abu dan hitam ketika akan menetas menjadi larva. Larva berwarna kekuningan dan akan berubah menjadi kuning, hijau, kemerahan,

(14)

4

atau kecoklatan. Setelah fase pupa, H. armigera mengalami fase dewasa atau ngengat. Ngengat H. armigera memiliki sayap depan berwarna coklat dengan satu bintik hitam, sayap belakang memiliki tepi berwarna hitam dan pangkal sayap berwarna kecoklatan. Hama ini bersifat polifagus. Gejala serangan hama ini yaitu larva melubangi buah-buah tomat, menyerang pucuk tanaman dan melubangi cabang-cabang buah tomat (Herlinda 2005).

Praproses Citra

Pada tahap praproses citra hama asli dilakukan cropping secara manual sehingga background tidak mendominasi. Setelah cropping, setiap citra akan diubah menjadi grayscale dan difilter menggunakan operator Sobel karena operator ini mampu mengurangi noise. Operator Sobel merupakan matriks konvolusi yang meninjau pengaturan piksel di sekitar piksel (x,y):

[

]

Operator Sobel adalah magnitudo dari gradien yang dihitung dengan rumus:

√s s adalah matriks derajat keabuan yang merepresentasikan hubungan suatu derajat keabuan dengan derajat keabuan lain. GLCM merupakan dasar dari teknik tekstur Haralick, GLCM digunakan untuk analisis pasangan piksel yang bersebelahan tergantung dengan sudut yang digunakan. Apabila citra yang digunakan adalah citra biner maka yang digunakan adalah GLCM dua level. Setelah itu matriksnya

(15)

5 dinormalisasi dengan menghitung peluang nilai piksel berdekatan dibagi dengan jumlah semua peluang nilai piksel berdekatan, sehingga hasil penjumlahan piksel dalam matriks tersebut 1 (Suresh dan Shunmuganathan 2012).

Teknik GLCM mencakup perhitungan kontras, korelasi, energi, homogenitas, standar deviasi, entropi, dan rata-rata sebagai ciri tekstur. Pada penelitian ini yang dijadikan ciri tekstur pada GLCM yaitu kontras, energi, korelasi, homogenitas dan entropi berdasarkan pada hasil penelitian Purnomo (2009). Purnomo (2009) menyebutkan bahwa kelima ciri tekstur GLCM tersebut dapat dijadikan variabel untuk pengklasifikasian jenis parket kayu jati. GLCM yang telah dinormalisasi jumlah elemennya sama dengan 1. Setiap elemen (i,j) dalam GLCM yang sudah dinormalisasi menunjukkan terjadinya peluang gabungan pasangan piksel dengan hubungan spasial yang didefinisikan memiliki tingkat keabuan i dan j pada citra. Misalkan p adalah GLCM yang sudah dinormalisasi dari masukan tekstur citra (Suresh dan Shunmuganathan 2012). Kontras mengukur intensitas kontras di antara piksel dan tetangganya dalam keseluruhan citra dan korelasi mengukur seberapa berkorelasi piksel dengan tetangganya yang dihitung dengan rumus:

∑| |

∑ ∑

Energi adalah jumlah elemen kuadrat dalam GLCM yang dinormalisasi, homogenitas adalah nilai yang mengukur kedekatan distribusi elemen dalam GLCM dengan diagonal GLCM, sedangkan entropi menyatakan tingkat keacakan tekstur. Ketiganya dihitung dengan rumus:

K- fold cross validation mudah diterapkan dan semua data digunakan untuk pelatihan dan pengujian. Mekanisme untuk membuat partisi k-fold dari seluruh data adalah mengulangi sebanyak k kali percobaan dengan menggunakan k-1 fold

untuk pelatihan dan sisanya untuk pengujian. Akurasi didapat dari rata-rata seluruh k percobaaan (Zhang dan Wu 2011). Pada penelitian ini digunakan k

(16)

6

percobaan terdapat 72 citra latih dan 18 citra uji sehingga matriks citra latih berukuran 72×5 dan matriks citra uji berukuran 18×5.

Model Klasifikasi Citra

Citra dibagi menjadi citra uji dan citra latih dengan teknik k- fold cross validation dan dilakukan klasifikasi menggunakan model PNN. PNN merupakan teknik klasifikasi dengan empat lapisan yang dapat dilihat pada Gambar 3. PNN merupakan adaptasi dari back propagation dan Bayes. Lapisan pertama adalah lapisan masukan (input units) yang terdiri atas matriks hasil ekstraksi ciri citra uji yang akan diklasifikasikan ke dalam suatu kelas.

Lapisan kedua adalah lapisan pola (pattern units). Pada lapisan ini dihitung jarak antara vektor hasil ekstraksi citra uji dengan vektor hasil ekstraksi ciri citra latih di semua kelas kemudian dibagi dengan faktor penghalus, pada penelitian ini faktor penghalus yang digunakan ialah 0.1. Faktor penghalus merupakan parameter yang digunakan untuk menghaluskan fungsi kernel, kernel yang dipakai adalah fungsi Gauss. Hasil perhitungan jarak dibagi faktor penghalus dimasukkan ke dalam fungsi Parzen yang merupakan prosedur non parametric untuk menduga

Probabalistic Density Function. Lapisan ketiga adalah lapisan penjumlahan (summation units) semua pola dari masing-masing kelas, pada lapisan ini

N = jumlah pola pelatihan seluruh kelas

NA = jumlah pola pelatihan pada kelas A  = faktor penghalus

Lapisan terakhir adalah lapisan keluaran (output units). Pada lapisan ini masukan data uji akan diklasifikasikan ke dalam suatu kelas berdasarkan nilai peluang tertinggi, Kelebihan PNN adalah pelatihan dalam PNN hanya melibatkan satu kali iterasi dibandingkan dengan menggunakan pendekatan Bayesian yang melibatkan lebih dari satu kali iterasi (Specht 1990).

Pengujian

(17)

7

Kelas yang ditentukan ada tiga kelas, yaitu kelas C. chalcites fase dewasa,

S. litura fase dewasa dan H. armigera fase dewasa. Hasil identifikasi akan dihitung akurasinya menggunakan rumus:

∑ _∑

HASIL DAN PEMBAHASAN

Pengambilan Data

Data dibawa ke laboratorium untuk kemudian diambil citranya menggunakan kamera digital. Citra yang terkumpul sebanyak 90 citra dengan masing-masing sebanyak 30 citra untuk setiap kelas.

Praproses Citra

Citra yang terkumpul dalam bentuk citra Red Green Blue (RGB) dengan format fail JPEG. Tahapan praproses yang pertama adalah dilakukan cropping

secara manual sesuai citra sehingga piksel citra berbeda satu dengan yang lainnya. Citra hasil cropping diubah menjadi citra grayscale. Hasil citra grayscale ini yang difilter menggunakan operator Sobel. Tahapan praproses citra dapat dilihat pada Gambar 4.

(18)

8

Ekstraksi Ciri Citra

Hasil citra Sobel tersebut diekstraksi ciri menggunakan GLCM. Matriks

co-occurrence dari setiap citra dibuat berdasarkan sudut dan jarak yang ditentukan. Sudut yang digunakan yaitu 0, 45, 90 dan 135º dengan jarak 1, 2, 3, 4, dan 5. Misalkan matriks co-occurrence sudut 0º dengan jarak 1, akan dihitung peluang nilai-nilai piksel yang berdekatan secara horizontal pada jarak 1 yang berarti tepat di sebelahnya. Dari hasil matriks yang sudah dinormalisasi dihitung entropi, energi, korelasi, homogenitas dan kontras. Masing-masing dari citra tersebut disimpan kelima cirinya untuk dihitung jaraknya pada tahap klasifikasi. Hasil ekstraksi ciri citra GLCM pada semua citra pada jarak 1 dapat dilihat pada Lampiran 1. Sebagian besar entropi bernilai 0 di seluruh sudut, ini membuktikan bahwa entropi tidak terlalu berpengaruh pada citra hama ini karena selalu menghasilkan angka yang serupa yaitu 0. Entropi mengukur kompleksitas dari citra yang berarti citra yang entropinya bernilai 0 tidak memiliki tekstur yang acak. Citra hama pada penelitian memiliki range entropi yang besar antara 0-0.99 yang menunjukkan citra yang sangat bervariasi dari yang paling teracak hingga citra konstan. Energi mengukur keseragaman tekstur, semakin mendekati nilai 1 berarti semakin konstan yang berarti teksturnya seragam. Nilai energi berkisar antara 0.23–0.61, hal tersebut menandakan bahwa citra ketiga hama memiliki range

cukup jauh dalam keseragaman teksturnya (Lampiran 1). Homogenitas mengukur keseragaman nilai keabuan, nilainya semakin meningkat apabila perbedaan antara nilai keabuan kecil. Homogenitas pada ketiga citra memiliki nilai berkisar antara 0.81-0.95 yang menandakan nilai keabuan termasuk memiliki perbedaan yang tidak jauh. Korelasi mengukur abu-abu nada linear dependensi dalam suatu citra. Nilai korelasi pada ketiga citra hama berkisar antara 0.43-0.88 sedangkan nilai kontras pada ketiga citra hama berkisar antara 0.13-0.86. Kontras mengukur frekuensi spasial. Kontras pada ketiga hama memiliki frekuensi spasial dengan

range cukup jauh, dari frekuensi rendah hingga frekuensi cukup tinggi. Model Klasifikasi Citra

Pembagian citra uji dan citra latih menggunakan k-fold cross validation

dengan fold 5. Total citra sebanyak 90 buah, jadi setiap percobaan terdapat 18 citra uji dan 72 citra latih. Klasifikasi menggunakan PNN berlaku untuk semua sudut, yaitu 0, 45, 90, dan 135º. Jarak yang digunakan pada penelitian ini yaitu 1, 2, 3, 4, dan 5. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 1 terlihat pada

Gambar 4 Tahapan praproses citra

(19)

9 Tabel 1. Rata-rata fold terkecil terdapat pada fold 5 dan terbesar pada fold 4. Nilai akurasi sama dengan rata-rata fold, nilai akurasi terendah 44.44% terdapat pada

fold 5 dan tertinggi 94.44% pada fold 4. Pada Tabel 1 ini akurasi rata-rata tertinggi terdapat pada sudut 45°. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 2 terlihat pada Tabel 2. Keseluruhan rata-rata akurasi mengalami peningkatan kecuali sudut 45 dan rata-rata akurasi tertinggi terdapat pada sudut 135°. Rata-rata tiap fold juga meningkat kecuali pada fold 4. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 3 terlihat pada Tabel 3. Nilai akurasi rata-rata tertinggi pada sudut 135º. Pada jarak 3 ini rata-rata akurasi menurun dari jarak sebelumnya kecuali pada sudut 45. Rata-rata tiap fold juga menurun secara keseluruhan kecuali pada fold 5. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 4 terlihat pada Tabel 4. Secara keseluruhan rata-rata akurasi menurun daripada jarak 3. Hasil klasifikasi sudut 0, 45, 90, dan 135º pada jarak 5 terlihat pada Tabel 5.

Tabel 1 Hasil akurasi (%) klasifikasi pada jarak 1

Sudut(º) Fold Rata-rata

(20)

10

rata akurasi tetap pada sudut 135 dan 90º dari jarak 4 (Tabel 5). Rata-rata akurasi tertinggi masih terdapat pada sudut 135º. Rata-Rata-rata setiap fold Tabel 5, akurasi mengalami peningkatan pada fold 1 dan 3 daripada jarak 4. Hasil klasifikasi GLCM berdasarkan jarak tidak mempengaruhi kinerja akurasi, hal ini membuktikan bahwa peluang nilai keabuan bersebelahan pada jarak tertentu bervariasi. Semakin bertambahnya jarak tidak membuat akurasi meningkat di seluruh sudut. Akurasi cenderung naik hingga jarak 2 lalu menurun di jarak 3 dan seterusnya kecuali pada sudut 45°. Semakin bertambahnya jarak, akurasi rata-rata sudut 45° semakin menurun. Terlihat dari keseluruhan jarak, sudut yang menunjukkan akurasi terbesar yaitu sudut 135° yang terlihat pada Gambar 5. Gambar 5 menunjukkan rata-rata besarnya akurasi setiap sudut di semua jarak. Secara keseluruhan akurasi rata-rata sudah mencapai lebih dari 70%. Sudut 135º berarti yang dihitung jaraknya yaitu piksel dengan piksel tetangganya berada di serong kiri atas seperti pada Gambar 6 yang dilingkari. Hal ini menyatakan bahwa peluang piksel bertetangga pada diagonal kiri ini memiliki peluang yang tinggi. Akurasi rata-rata terendah secara keseluruhan terjadi pada sudut 90. Sudut ini menghitung jarak piksel dengan piksel tetangga yang berada pada sebelah vertikal. Berarti pada citra ketiga kelas hama sebagian besar peluang nilai keabuan citra serong dari bidang datar tinggi dan masih banyak background di atas objek citra sendiri.

Analisis Kesalahan

Hasil identifikasi tiga kelas hama tomat menggunakan ekstraksi ciri GLCM dan klasifikasi PNN menghasilkan akurasi tertinggi 94.44% sedangkan akurasi terendah 44.44%. Akurasi rata-rata tertinggi pada semua fold menghasilkan 78.89% pada jarak 1 sudut 45° dan jarak 2 sudut 135.

Sudut (º) Fold Rata-rata

(21)

11

Pada sudut 135, 90 dan 0 rata-rata akurasi meningkat sampai pada jarak 2 lalu pada jarak 3 menurun hingga pada jarak 5 kecuali pada sudut 90º. Sudut 45 mengalami penurunan akurasi seiring dengan bertambahnya jarak. Pada akurasi tertinggi sudut 135º jarak 2 terlihat bahwa akurasi paling kecil yaitu 50% pada

fold 5. Confusion matrix pada fold 5 jarak 2 sudut 135° terlihat pada Tabel 6. Kelas sl terklasifikasi benar hanya 2, yang lain teridentifikasi masuk ke dalam kelas cc. Kelas cc terklasifikasi benar sebanyak 3 dan kelas ha hanya dua yang terklasifikasi salah. Kelas sl merupakan kelas yang paling banyak tidak terklasifikasikan benar, hal ini disebabkan citra pada kelas ini memiliki pencahayaan berbeda antara citra uji dan citra latih sehingga nilai kontrasnya berbeda jauh seperti terlihat pada Gambar 7. Perbedaan nilai lima ciri tekstur pada citra uji dan citra latih dapat dilihat pada Tabel 7. Kontras mempunyai selisih nilai paling tinggi di antara empat ciri tekstur lain. Selisih nilai kontras mencapai 0.31. Rata-rata lima tekstur citra uji dan citra latih S. litura pada fold 5 dapat dilihat pada Lampiran 2. Kontras adalah perbedaan dari dua warna yang berlawanan. Pencahayaan pada citra latih lebih jelas daripada citra uji (Gambar 7). Dapat dilihat sayap citra uji pada Gambar 7 lebih gelap daripada citra latih yang terlihat terang dan dari selisih Tabel 7 kelima tekstur GLCM kontras memiliki selisih terbesar antara citra latih dan citra uji. Dilihat dari Tabel 1 sampai Tabel 5, fold 5 memiliki nilai akurasi yang paling rendah hanya berkisar 50% dibandingkan dengan fold yang lain. Hal ini terjadi karena citra uji dan citra latih berbeda pencahayaan seperti pada Gambar 7. Oleh karena itu, dalam pengolahan citra digital sangat perlu diperhatikan pencahayaan dalam proses pengambilan citra.

Gambar 5 Grafik perbandingan sudut

(22)

12

keterangan: cc = Chrysodeixis chalcites sl = Spodoptera litura ha = Helicoverpa armigera

Pengujian

Model klasifikasi yang menghasilkan akurasi tertinggi digunakan untuk citra latih pengujian, yaitu pada sudut 135° jarak 2 fold 1. Oleh karena itu pada penelitian ini akan digunakan model tersebut untuk pengujian. Adapun antarmuka sistem identifikasi dengan model dapat dilihat pada Lampiran 3. Citra uji yang digunakan pada pengujian adalah citra baru yang tidak digunakan pada saat model klasifikasi. Setiap kelas diuji 6 citra dengan akurasi 61.11%. Hasil confusion

Tabel 6 Confusion matrix jarak 2 sudut 135 fold 5

Kelas cc sl ha cc 3 2 1

sl 4 2 0 ha 2 0 4

Tabel 7 Hasil selisih ciri tekstur citra uji dan citra latihpengujian

Ciri tekstur Selisih Kontras 0.311866

Energi 0.117366 Homogenitas 0.045294 Korelasi 0.017655 Entropi 0.000000

Gambar 7 Perbandingan citra uji dan citra latih

(23)

13

matrix pengujian dapat dilihat pada Tabel 8. Kelas sl merupakan kelas yang paling sedikit teridentifikasi benar, namun secara keseluruhan pengujian kelas lainnya juga belum cukup teridentifikasi benar. Dari perbandingan citra uji dengan model klasifikasi citra latih pada kelas sl terlihat yang memiliki selisih paling tinggi terdapat pada ciri tekstur kontras (Tabel 9). Hal ini sama halnya dengan hasil perbandingan selisih model klasifikasi bahwa kontras memiliki selisih tertinggi dibandingkan dengan ciri tekstur lain (Tabel 6).

keterangan: cc = Chrysodeixis chalcites sl = Spodoptera litura ha = Helicoverpa armigera

SIMPULAN DAN SARAN

Simpulan

Model identifikasi hama tanaman tomat menggunakan ekstraksi ciri GLCM dengan PNN berhasil dilakukan. Akurasi tertinggi yang dihasilkan sebesar 78.89% pada sudut 45° jarak 1 dan sudut 135º jarak 2. Semakin besar jarak yang digunakan dalam GLCM tidak memberi dampak signifikan terhadap nilai akurasi karena akurasi di setiap jarak mengalami peningkatan dan penurunan tergantung sudut yang digunakan. Ciri GLCM entropi tidak terlalu memberi dampak signifikan terhadap nilai akurasi pada citra hama tanaman tomat dan hampir selalu menghasilkan nilai 0. Hasil akurasi pengujian menggunakan model klasifikasi akurasi tertinggi menghasilkan akurasi sebesar 61.11%. Ciri tekstur GLCM kontras memberi dampak signifikan terhadap akurasi dan kontras mempunyai selisih cukup tinggi antara citra uji dengan citra latih pada model klasifikasi dan pengujian.

Tabel 8 Confusion matrix pengujian

Kelas cc sl ha cc 4 1 1

sl 2 3 1 ha 1 1 4

Tabel 9 Hasil selisih ciri tekstur citra uji dan citra latih

(24)

14

Saran

Diharapkan untuk penelitian selanjutnya dilakukan pembuatan model identifikasi untuk seluruh hama yang menyerang tanaman tomat. Cropping pada citra dilakukan secara otomatis dengan memanfaatkan deteksi yang mengambil nilai terluar atau dengan segmentasi citra agar citra yang diekstraksi tidak memperhitungkan nilai background. Saat pengambilan citra, pencahayaan harus diatur agar sama antara citra satu dengan citra lainnya karena hal tersebut sangat mempengaruhi nilai kontras. Posisi hama saat pengambilan citra tidak hanya pada posisi ideal. Selain itu dapat juga dikembangkan GLCM yang tidak hanya memakai satu sudut saja tapi kombinasi beberapa sudut untuk ekstraksi ciri.

DAFTAR PUSTAKA

[Antara] Antara Sulawesi Selatan. 2010. Petani Gowa keluhkan serangan hama tomat. Antara News Makassar [Internet]. [diunduh 2013 Mei 28]. Tersedia pada: http://www.antarasulsel.com/print/17114/profil-antara.

Cahyono B. 2008. Tomat, Usaha Tani dan Penanganan Pascapanen. Yogyakarta (ID): Kanisius.

[Dirjen Hortikultura Deptan] Direktorat Jenderal Hortikultura Departemen Pertanian. 2011. Produksi tanaman tomat menurut provinsi, 2007-2011.

Kementerian Pertanian Republik Indonesia [Internet]. [diunduh 2012 Nov 10]. Tersedia pada: http://www.deptan.go.id/infoeksekutif/horti/isi_dt5thn_horti. php.

Gasim. 2006. Jaringan syaraf tiruan untuk pengenalan jenis kayu berbasis citra [Tesis]. Bogor (ID): Institut Pertanian Bogor.

Hartadi. 2011. Deteksi potensi kanker payudara pada mammogram menggunakan metode gray level co-occurrence matrix [Skripsi]. Semarang (ID): Universitas Diponegoro.

Herlinda S. 2005. Bioekologi Helicoverpa armigera (Hübner) (Lepidoptera: Noctuidae). Agria. 2(1): 32-36.

Hermantoro. 2007. Aplikasi pengolahan citra digital dan jaringan syaraf tiruan untuk prediksi kadar bahan organik dalam tanah. Di dalam: Wardhani NK et al, Editor. Prosiding SeminarInovasi Teknologi dan Kelembagaan Pertanian dan Upaya Pemberdayaan Masyarakat; 24-25 Agustus 2007; Yogyakarta, Indonesia. Yogyakarta (ID): BP2TP. hlm 215-221.g

Mishra R. 2013 . Scene image analysis using GLCM and Gabor filter. IJERA. 3(2): 237-241.

[Open] Open Natur. 2008. Tomato looper (Chrysodeixis chalcites Esper) [Internet]. [diunduh 2013 Juli 27]. Tersedia pada: http://opennatur.com/en_plu sia_chalcites_chrysodeixis_chalcites_esper.html

Purnomo A. 2009. Aplikasi pemrograman C# untuk analisis tekstur kayu parquet dengan menggunalan metode grey level co-occurrence matrix. Depok (ID): Universitas Gunadarma.

(25)

15 Setiawati W, Sulastrini I, Gunaeni N. Penerapan Teknologi PHT pada Tanaman

Tomat. Bandung (ID): Balitsa.

Specht DF. 1990. Probabilistic Neural Networks. Neural Network. 3: 109-118. Suresh A, Shunmuganathan KL. 2012. Image texture classification using Gray

Level Co-occurrence Matrix based statistical features. Euro J Sci Res. 75(4): 591-597.

Tjahjadi N. 1989. Hama dan Penyakit Tanaman. Yogyakarta (ID): Kanisius. Uhan TS, Suriaatmadja RE. 1993. Pengendalian ulat buah tomat (Helicoverpa

armigera Hubn.) dengan insektisida organophosphate dan pirethroid buatan.

Bul Penel Hort 25(4): 29-34.

Wen C, Guyer D. 2012. Image-based orchard insect automated identification and classification method. Comp Elec Agr. 89: 110-115.

(26)

16

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1

su C. chalcites S. litura H. armigera

dut (°)

entropi kontras homo

genitas energi korelasi entropi kontras

homo

(27)

17 Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)

dut (°)

entropi kontras homo

homo

(28)

18

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)

dut (°) entropi kontras _homo

genitas

energi korelasi entropi kontras _homo

genitas

(29)

genitas

(30)

20

Lampiran 1 Hasil ekstraksi ciri pada C. chalcites, S. litura dan H. armigera pada jarak 1 (Lanjutan)

genitas

(31)

genitas

(32)

22

Lampiran 2 Hasil perbandingan rata-rata citra uji dan citra latih S. litura fold 5

Data citra uji Kontras Entropi Homogenitas Energi Korelasi 1 0.689587 0 0.861747 0.404126 0.577307 Rata-rata 0.903503 0 0.832477 0.342132 0.564423 Data citra latih Kontras Entropi Homogenitas Energi Korelasi

(33)

(34)

24

RIWAYAT HIDUP

Penulis dilahirkan di Kebumen pada tanggal 11 Januari 1992 dari ayah Akhmad Saefudin dan ibu Siti Maesaroch. Penulis adalah putri pertama dari dua bersaudara. Pada tahun 2009, penulis lulus dari SMA Negeri 1 Purwokerto dan pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.