I-PEDIA: APLIKASI MOBILE UNTUK IDENTIFIKASI
PENYAKIT TANAMAN PADI DENGAN FUZZY ENTROPY
DAN PROBABILISTIC NEURAL NETWORK
KHOLIS
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul I-PEDIA: Aplikasi
Mobile untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan
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, Agustus 2013
Kholis
ABSTRAK
KHOLIS. I-PEDIA: Aplikasi Mobile untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan Probabilistic Neural Network. Dibimbing oleh YENI HERDIYENI.
Penelitian ini mengembangkan sistem identifikasi penyakit tanaman padi dengan ekstraksi fitur fuzzy entropy dan klasifikasi probabilistic neural network
(PNN) yang berjalan di mobile. Penyakit tanaman padi merupakan salah satu kendala dalam peningkatan produksi padi. Fuzzy entropy digunakan untuk mengekstraksi fitur citra. PNN digunakan karena memiliki waktu pelatihan yang cepat. Data latih dan data uji dibagi dengan k-fold cross validation dengan nilai k
sama dengan 5. Sebelum data latih dan data uji diekstraksi, citra ditingkatkan kekontrasannya menggunakan filter Laplacian. Akurasi identifikasi penyakit padi tanpa filter Laplacian sebesar 91.46% dan akurasi identifikasi penyakit padi dengan filter Laplacian sebesar 90.55%.
Kata kunci: fuzzy entropy, probabilistic neural network, penyakit tanaman padi,
k-fold cross validation
ABSTRACT
KHOLIS. I-PEDIA: Mobile Application for Paddy Plant Disease Identification using Fuzzy Entropy and Probabilistic Neural Network. Supervised by YENI HERDIYENI.
This research developed a mobile application for paddy plant disease identification system using fuzzy entropy and classifier probabilistic neural network (PNN) that runs on mobile. Paddy plant diseases is one of the problems on increasing paddy production. Fuzzy entropy is used for image feature extraction. PNN is used because training PNN is fast. Training data and testing data divided by k-fold cross validation with a k value of 5. Before training data and testing data are extracted, the images are enhanced using the Laplacian filter. The accuracy of paddy diseases identification without the Laplacian filter is 91.46% while accuracy of paddy diseases identification using the Laplacian filter is 90.55%.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
I-PEDIA: APLIKASI MOBILE UNTUK IDENTIFIKASI
PENYAKIT TANAMAN PADI DENGAN FUZZY ENTROPY
DAN PROBABILISTIC NEURAL NETWORK
KHOLIS
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Penguji:
Judul Skripsi : I-PEDIA: Aplikasi Mobile untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan Probabilistic Neural Network
Nama : Kholis
NIM : G64080024
Disetujui oleh
Dr Yeni Herdiyeni, SSi MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga skripsi yang berjudul I-PEDIA: Aplikasi Mobile
untuk Identifikasi Penyakit Tanaman Padi dengan Fuzzy Entropy dan
Probabilistic Neural Network ini berhasil diselesaikan. Penelitian ini dilaksanakan
sejak bulan November 2012 sampai dengan Juni 2013, bertempat di Departemen Ilmu Komputer IPB.
Penulis juga menyampaikan ucapan terima kasih kepada:
1 Ibu Dr Yeni Herdiyeni, SSi MKom selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.
2 Ayah, Ibu, dan adik tercinta, Harjono dan Vita yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis.
3 Bapak Mushthofa, MSc dan Bapak Aziz Kustiyo, MKom selaku dosen penguji.
4 Dosen-dosen di Departemen Ilmu Komputer yang telah memberikan ilmu kepada penulis. segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.
7 Teman-teman di Ikatan Keluarga Mahasiswa Pati atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam skripsi ini. Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca skripsi ini. Semoga skripsi ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan.
Bogor, Agustus 2013
DAFTAR ISI
Ekstraksi Fitur dengan Fuzzy Entropy 11
Klasifikasi dengan PNN 11
Evaluasi 12
Perangkat Keras dan Perangkat Lunak 12
HASIL DAN PEMBAHASAN 12
Hasil Ekstraksi Fitur dengan FuzzyEntropy 12
DAFTAR TABEL
1 Confusion matrix 6
2 Pembagian data latih dan data uji dengan 5-fold cross validation 10
3 Pembagian data latih 10
4 Pembagian data uji 11
5 Confusionmatrix hasil identifikasi penyakit tanpa filter Laplacian 13
6 Confusionmatrix hasil identifikasi penyakit dengan filter Laplacian 14
DAFTAR GAMBAR
1 Penyakit brown spot 2
2 Penyakit leaf blast 3
3 Penyakit tungro 3
4 Penyakit hawar daun bakteri 4
5 Membershipfunction 4
6 Matriks konvolusi 6
7 4-fold cross validation 7
8 Struktur PNN 8
9 Metode penelitian 9
10 Tahapan praproses 10
11 Nilai membership function setiap piksel. 11
12 Citra hasil praproses 13
DAFTAR LAMPIRAN
1 Contoh citra daun tanaman padi untuk masing-masing kelas penyakit 17
2 Contoh citra daun padi yang di-crop 18
3 Frekuensi kemunculan piksel (a); peluang kemunculan setiap piksel (b) 19 4 Peluang piksel gelap (a); peluang piksel terang (b) 19 5 Nilai fuzzy entropy piksel gelap (a); nilai fuzzy entropy piksel terang (b) 19 6 Nilai fuzzy entropy setiap piksel (a); nilai fuzzy entropy yang
dinormalisasi (b) 20
7 Rata-rata fuzzy entropy setiap piksel citra brown spot: tanpa filter
Laplacian (a); dengan filter Laplacian (b) 20
8 Rata-rata fuzzy entropy setiap piksel citra leaf blast: tanpa filter
Laplacian (a); dengan filter Laplacian (b) 20
9 Rata-rata fuzzy entropy setiap piksel citra tungro: tanpa filter Laplacian
(a); dengan filter Laplacian (b) 21
10 Rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri: tanpa filter Laplacian (a); dengan filter Laplacian (b) 21
11 Screenshoot sistem I-PEDIA 22
12 Citra penyakit tungro yang teridentifikasi sebagai penyakit hawar daun
bakteri 23
13 Citra penyakit hawar daun bakteri yang teridentifikasi sebagai penyakit
PENDAHULUAN
Latar Belakang
Padi merupakan tanaman pangan bagi penduduk Indonesia. Produksi padi harus ditingkatkan karena jumlah penduduk yang semakin meningkat setiap tahunnya. Hama dan penyakit merupakan salah satu kendala dalam peningkatan produksi padi. Luas serangan hama dan penyakit di Indonesia dari bulan Oktober 2011 sampai bulan Maret 2012 adalah penggerek batang padi 57 875 ha, wereng batang coklat 11 351 ha, tikus 54 300 ha, tungro 4 994 ha, leaf blast 31 383 ha, dan hawar daun bakteri 43 719 ha (DJTP 2012). Sedangkan jumlah petugas pengendali organisme pengganggu tanaman-pengamat hama penyakit tanaman (POPT-PHP) 3 183 orang yang tersebar di 33 provinsi (DJTP 2010). Jumlah petugas POPT-PHP tersebut belum mencapai kondisi ideal yaitu 1 orang petugas POPT-PHP di setiap kecamatan yang berjumlah 6 543 kecamatan, sehingga proses pengendalian hama dan penyakit terlambat dilakukan. Dari masalah ini, timbullah ide untuk mengembangkan sistem untuk mengidentifikasi penyakit tanaman padi dengan cepat yang berjalan di mobile.
Rajan (2012) membandingkan metode local entropy threshold dan otsu
threshold pada tahapan segmentasi citra dengan metode klasifikasi
forward-chaining untuk mengidentifikasi penyakit tanaman padi. Berdasarkan
penelitiannya, local entropy threshold menghasilkan akurasi sebesar 94.7%, sedangkan otsu threshold menghasilkan akurasi sebesar 61.2%. Irfansyah (2011) melakukan perbandingan kinerja k-nearest neighbors (k-NN) dengan jaringan syaraf tiruan self organizing maps (SOM) menggunakan ekstraksi fitur fast fourier
transform untuk mengidentifikasi penyakit tanaman padi dan anthurium. K-NN
menghasilkan akurasi sebesar 76% dan SOM menghasilkan akurasi sebesar 62%. Kurniawan (2013) melakukan identifikasi penyakit tanaman padi dan anthurium dengan ekstraksi tekstur local binary pattern variance (LBPV) dan metode klasifikasi probabilistic neural network, akurasi yang dihasilkan sebesar 85.71% untuk LBPV operator (8, 1) dan (16, 2). Tao etal. (2007) melakukan segmentasi citra infrared menggunakan fuzzy entropy dan membandingkan kinerja genetic
algorithm (GA) dan antcolonyoptimization (ACO) untuk menentukan nilai fuzzy
entropy yang optimal. Nilai threshold T yang digunakan untuk segmentasi
ditentukan berdasarkan nilai fuzzy entropy yang optimal dengan µ(T) = 0.5. Kinerja ACO lebih efektif daripada GA.
Pada penelitian ini akan digunakan ekstraksi fitur fuzzyentropy dan metode klasifikasi probabilistic neural network (PNN) untuk mengidentifikasi penyakit tanaman padi. Ekstraksi fitur fuzzy entropy digunakan untuk menentukan pola citra yang akan digunakan untuk klasifikasi menggunakan PNN.
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Mengidentifikasi penyakit tanaman padi dengan fuzzy entropy dan
probabilistic neural network.
2
Manfaat Penelitian
Manfaat penelitian ini adalah memudahkan petugas POPT-PHP untuk mengidentifikasi penyakit tanaman padi dengan cepat.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah:
1 Data citra yang digunakan adalah citra daun padi yang diperoleh dari persawahan desa Laladon Bogor, Jawa Barat, Indonesia.
2 Citra daun yang digunakan berupa helai daun yang terkena penyakit.
3 Jenis penyakit yang akan diidentifikasi terdiri atas penyakit leaf blast, brown spot, tungro dan hawar daun bakteri.
4 Menggunakan sistem operasi Android dalam pembuatan aplikasi mobile.
TINJAUAN PUSTAKA
Penyakit Tanaman Padi
Bercak Coklat (Brown Spot)
Penyakit brown spot disebabkan oleh jamur Helminthosporium oryzae. Penyakit ini dapat menyebabkan kematian tanaman muda dan menurunkan kualitas gabah. Gejala yang paling umum dari penyakit ini adalah bercak berwarna coklat, berbentuk oval sampai bulat, berukuran sebesar biji wijen pada permukaan daun, pada pelepah atau pada gabah (Gambar 1). Patogen penyakit bersifat terbawa benih (seed borne), sehingga dalam keadaan yang cocok, penyakit dapat berkembang pada tanaman yang masih sangat muda (Syam et al. 2003).
Blas (Leaf Blast)
Penyakit leaf blast disebabkan oleh jamur patogen Pyricularia grisea. Penyakit leaf blast menginfeksi tanaman padi pada setiap fase pertumbuhan. Gejala khas pada daun yaitu bercak berbentuk belah ketupat, lebar di tengah dan meruncing di kedua ujungnya (Gambar 2). Ukuran bercak kira-kira 1-1.5 × 0.3-0.5 cm berkembang menjadi berwarna abu-abu pada bagian tengahnya. Bercak penyakit leaf blast sulit dibedakan dengan gejala penyakit bercak coklat
Helminthosporium.
3 Selain daun yang terinfeksi, penyakit leaf blast dapat juga menginfeksi pada ruas batang dan leher malai yang disebut blas leher (neck blast). Leher malai yang terinfeksi berubah menjadi kehitam-hitaman dan patah, mirip gejala beluk oleh penggerek batang. Apabila blas leher terjadi, hanya sedikit malai yang berisi atau bahkan hampa. Tanaman padi mudah terinfeksi penyakit leaf blast ketika pemupukan nitrogen dalam takaran tinggi dan cuaca yang lembab, terutama di musim hujan (Syam etal. 2003).
Tungro
Penyakit ini ditularkan oleh wereng hijau. Tanaman yang terinfeksi tumbuh kerdil dengan anakan sedikit. Daun mengalami perubahan warna dari hijau menjadi sedikit kuning sampai kuning oranye dan kuning coklat dari ujung daun, terutama pada daun muda (Gambar 3). Malai menjadi kecil, steril, dan tidak sempurna. Tanaman yang terinfeksi biasanya hidup hingga fase pemasakan. Fase pertumbuhan tanaman yang paling rentan terserang penyakit ini pada saat pembibitan sampai munculnya padi. Kehilangan hasil dapat mencapai 68% ketika tanaman yang terinfeksi baru berumur 10 sampai 20 hari setelah sebar, 30% jika tanaman yang terinfeksi sudah berumur antara 40 sampai 50 hari setelah sebar dan 5% jika tanaman sudah berumur 70 sampai 80 hari setelah sebar (Syam et al. 2003).
Hawar Daun Bakteri (Bacterial Leaf Blight)
Penyakit hawar daun bakteri (HDB) disebabkan oleh Xanthomonas
campestris pv. oryzae. Gejala penyakit berupa bercak berwarna kuning sampai
putih berawal dari terbentuknya garis lebam berair pada bagian tepi daun (Gambar 4). Bercak dapat menyebar dari salah satu atau kedua tepi daun yang rusak, dan berkembang hingga menutupi seluruh helai daun. Pada varietas yang rentan, bercak dapat mencapai pangkal daun sampai ke pelepah daun.
Infeksi pada pembibitan menyebabkan bibit menjadi kering. Bakteri menginfeksi masuk sistem vaskular tanaman padi pada saat tanam pindah atau sewaktu dicabut dari tempat pembibitan dan akarnya rusak, atau sewaktu terjadi kerusakan daun. Apabila sel bakteri masuk menginfeksi tanaman padi melalui
4
akar dan pangkal batang, tanaman bisa menunjukkan gejala kresek. Seluruh daun dan bagian tanaman lainnya menjadi kering. Infeksi dapat terjadi dari fase persemaian sampai awal fase pembentukan anakan. Sumber infeksi dapat berasal dari jerami yang terinfeksi, tunggul jerami, singgang dari tanaman yang terinfeksi, benih, dan gulma inang. Sel-sel bakteri membentuk butir-butir embun pada waktu pagi hari yang mengeras dan melekat pada permukaan daun (Syam etal. 2003).
Fuzzy Entropy Citra
Fuzzy entropy pertama kali dikenalkan oleh Luca dan Termini pada tahun
1972 (Tao et al. 2007). Fuzzy entropy banyak digunakan untuk segmentasi citra, akan tetapi pada penelitian ini fuzzy entropy digunakan untuk ekstraksi fitur citra. Misalkan D = {(i, j) : i = 0, 1, …, M-1; j = 0, 1, …, N-1}, dengan M dan N
merupakan ukuran piksel suatu citra, Dk= {(x, y) : I(x, y) = k, (x, y) D}, I(x, y)
merupakan nilai gray level citra pada piksel (x, y) dan k = 0, 1, …, 255. I(x, y) dibagi menjadi dua kelas yaitu kelas piksel gelap dan piksel terang. Setiap piksel memiliki nilai membership function µd (piksel gelap) dan µb (piksel terang)
Gambar 4 Penyakit hawar daun bakteri
5
Nilai fuzzy entropy (H) setiap piksel citra ditentukan dengan Persamaan 10.
la l : Peluang kemunculan piksel gelap ke-k pada citra : Peluang kemunculan piksel terang ke-k pada citra : Peluang kemunculan piksel ke-k pada citra
Filter Laplacian
6
dihasilkan dari konvolusi matriks citra dengan matriks konvolusi (Gambar 6) dan citra yang ditingkatkan kekontrasannya dihasilkan dari pengurangan matriks citra dengan matriks citra yang telah dideteksi tepinya (Persamaan 13) (Gonzalez dan
Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris
data yang diuji yang diprediksi benar dan salah oleh model klasifikasi, hal ini bertujuan untuk menentukan kinerja dari suatu model klasifikasi yang digunakan (Tan etal 2006). Tabel 1 memperlihatkan tabel confusion matrix.
F00 merupakan jumlah data kelas 0 yang diklasifikasikan sebagai kelas 0,
F01 merupakan jumlah data kelas 0 yang diklasifikasikan sebagai kelas 1, F10
merupakan jumlah data kelas 1 yang diklasifikasikan sebagai kelas 0, F11
7
K-fold Cross Validation
Metode k-fold cross validation membagi data menjadi k bagian. Sebanyak k -1 bagian digunakan untuk data latih dan -1 bagian digunakan untuk data uji (Gutierrez-Osuna 2002). Gambar 7 memperlihatkan pembagian data menjadi 4 bagian.
Probabilistic Neural Network
Probabilistic neural network (PNN) merupakan jaringan syaraf tiruan yang
dibangun berdasarkan kaidah keputusan Bayes dan dikembangkan oleh Donald F Specht pada tahun 1988. PNN menggunakan radial basis function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear
(Wu et al 2007). Keuntungan menggunakan PNN adalah proses pelatihan data
lebih mudah dan lebih cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang akan menjadi masukan. PNN terdiri atas 4 lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN ditunjukkan pada Gambar 8. Lapisan yang menyusun PNN adalah sebagai berikut: 1 Lapisan masukan
Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari n kelas.
2 Lapisan pola
Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan probabilitydensityfunction untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah sebagai berikut:
8 panjang vektor bobot, σ menyatakan bias (parameter penghalus).
4 Lapisan keluaran
Lapisan keluaran menghasilkan keputusan berdasarkan masukan x. Jika merupakan nilai terbesar maka x masuk ke dalam kelas y.
METODE
Penelitian ini dilakukan dalam beberapa tahap yaitu praproses, pembagian data, ekstraksi fitur, pembangunan model klasifikasi PNN, identifikasi penyakit dan evaluasi hasil identifikasi. Tahap-tahap yang dilakukan diilustrasikan pada Gambar 9.
Data Citra Daun Padi
Tahap awal sebelum pemrosesan citra adalah tahap pengumpulan data. Data citra daun yang digunakan dalam penelitian ini adalah data citra daun yang diambil dari persawahan desa Laladon, Bogor, Jawa Barat, Indonesia. Data berupa citra helai daun yang berpenyakit sebanyak 40 citra berformat JPEG yang dikelompokkan menjadi 4 kelas penyakit yaitu leaf blast, brown spot, tungro, dan hawar daun bakteri. Citra daun padi dapat dilihat pada Lampiran 1.
9
Gambar 9 Metode penelitian
Data Citra Daun Padi
Praproses
Data Latih Data Uji
Pembagian Data
Ekstraksi Fitur dengan
Fuzzy Entropy
Ekstraksi Fitur dengan
Fuzzy Entropy
Klasifikasi PNN Model Klasifikasi
Identifikasi Penyakit Padi
i
10
Praproses
Pada tahap praproses, citra daun berwarna RGB di-crop pada bagian citra daun yang terkena penyakit dengan menyertakan sedikit warna hijau. Sebelum masuk ke tahap ekstraksi fitur, citra daun yang di-crop diubah menjadi citra
grayscale dan ditingkatkan kekontrasannya menggunakan filter Laplacian.
Gambar 10 memperlihatkan tahapan praproses data. Citra daun yang di-crop dapat dilihat pada Lampiran 2. memperlihatkan pembagian data latih dan data uji dari 328 data.
Gambar 10 Tahapan praproses
Tabel 3 Pembagian data latih
Iterasi Jumlah data latih setiap penyakit
Brown spot Leaf blast Tungro Hawar daun bakteri
1 22 80 80 80
2 22 80 80 80
3 23 80 80 80
4 22 80 80 80
5 23 80 80 80
11
Ekstraksi Fitur dengan Fuzzy Entropy
Ekstraksi fitur merupakan tahapan untuk mengambil fitur yang ada pada suatu citra yang akan digunakan untuk klasifikasi citra. Pada penelitian ini ekstraksi fitur yang digunakan adalah fuzzy entropy. Citra hasil praproses dihitung frekuensi kemunculan setiap piksel dan setiap piksel dihitung nilai derajat keanggotannya menggunakan Persamaan 1 dan 2 serta dihitung peluang kemunculan setiap piksel menggunakan Persamaan 3. Setiap piksel dihitung peluang piksel gelap menggunakan Persamaan 4 dan dihitung peluang piksel terang dengan Persamaan 5, nilai fuzzy entropy piksel gelap dihitung menggunakan Persamaan 8 dan nilai fuzzy entropy piksel terang dihitung menggunakan Persamaan 9. Hasil ekstraksi citra berupa vektor ciri dari penjumlahan nilai fuzzy entropy piksel gelap dan nilai fuzzy entropy piksel terang menggunakan Persamaan 10. Penelitian ini menggunakan nilai a sebesar 63, nilai
b sebesar 127, dan nilai c sebesar 191 (Gambar 11). Selang antara nilai a, b, c
diperoleh dari 256 dibagi 4, karena secara umum kemunculan piksel citra brown spot antara piksel 10 sampai 114, kemunculan piksel citra tungro antara piksel 24 sampai 183, kemunculan piksel citra hawar daun bakteri antara piksel 19 sampai 177, dan kemunculan piksel citra leaf blast antara piksel 0 sampai 255.
Gambar 11 Nilai membership function setiap piksel.
0 Tabel 4 Pembagian data uji
Iterasi Jumlah data uji setiap penyakit
Brown spot Leaf blast Tungro Hawar daun bakteri
12
Klasifikasi dengan PNN
Pada tahap klasifikasi, data citra dibagi menjadi 2 yaitu data latih dan data uji. Pembagian data latih dan data uji menggunakan k-fold cross validation
dengan nilai k sama dengan 5. Data latih akan diekstraksi menggunakan fuzzy
entropy. Hasil ekstraksi data latih digunakan untuk membuat model klasifikasi.
Model klasifikasi digunakan untuk mengidentifikasi jenis penyakit berdasarkan citra uji yang dimasukkan ke sistem.
Evaluasi
Evaluasi dari kinerja didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model klasifikasi. Hal ini dapat dihitung menggunakan akurasi berdasarkan Tabel 1 sebagai berikut :
a a
Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam penelitian ini adalah prosesor Intel Core i3 CPU M350 @ 2.27 GHz, memori DDR3 RAM 2.00 GB dan harddisk
320 GB. Perangkat lunak yang digunakan adalah sistem operasi Windows 7 Professional, Microsoft Visual Studio 2010 Ultimate, library OpenCV 2.1 untuk C++, Eclipse Helios, dan library OpenCV 2.3.1 untuk Android.
HASIL DAN PEMBAHASAN
Hasil Ekstraksi Fitur dengan Fuzzy Entropy
Pada tahap ekstraksi fitur, piksel citra akan dibagi menjadi 2 kelas yaitu kelas piksel terang dan kelas piksel gelap. Setiap piksel akan memiliki 2 nilai
membershipfunction. Hasil ekstraksi fitur dengan fuzzyentropy berupa vektor ciri
yang diperoleh dari beberapa tahapan yaitu citra hasil praproses (Gambar 12) ditentukan frekuensi kemunculan setiap piksel (Lampiran 3 (a)), menentukan nilai
membership function setiap piksel untuk kelas piksel gelap dengan Persamaan 1
dan piksel terang dengan Persamaan 2, menentukan peluang kemunculan setiap piksel dengan Persamaan 3 (Lampiran 3 (b)), menentukan peluang piksel gelap dengan Persamaan 4 (Lampiran 4 (a)) dan peluang piksel terang dengan Persamaan 5 (Lampiran 4 (b)), menentukan nilai fuzzy entropy untuk piksel gelap dengan Persamaan 8 (Lampiran 5 (a)) dan nilai fuzzyentropy untuk piksel terang dengan Persamaan 9 (Lampiran 5 (b)), menentukan nilai fuzzy entropy dengan Persamaan 10 (Lampiran 6 (a)). Vektor ciri yang dihasilkan berupa nilai fuzzy
13 antar piksel tidak terlalu besar (Lampiran 6 (b)). Lampiran 7 memperlihatkan rata-rata fuzzy entropy setiap piksel citra brown spot. Lampiran 8 memperlihatkan rata-rata fuzzy entropy setiap piksel citra leaf blast. Lampiran 9 memperlihatkan rata-rata fuzzy entropy setiap piksel citra tungro. Lampiran 10 memperlihatkan rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri.
Identifikasi Penyakit tanpa Filter Laplacian
Identifikasi penyakit dilakukan dengan menggunakan sistem yang diberi nama I-PEDIA. Data uji dapat diambil dari galeri atau kamera mobile. Data uji yang diambil dari kamera mobile harus di-crop pada bagian citra daun yang terkena penyakit, kemudian disimpan di galeri mobile. Data uji yang di-crop di ambil dari galeri mobile untuk didentifikasi pada sistem I-PEDIA. Data uji yang dimasukkan ke sistem akan diekstraksi dan diidentifikasi, kemudian sistem akan mengeluarkan hasil identifikasi data uji tersebut. Hasil identifikasi berupa nama-nama penyakit beserta nilai peluangnya. Nama penyakit yang memiliki nilai peluang terbesar merupakan hasil dari identifikasi data uji. Screenshoot dari pengujian identifikasi data uji dapat dilihat pada Lampiran 11.
Identifikasi penyakit menggunakan PNN dengan bias (σ) 0.07 yang diperoleh dari hasil percobaan. Pada tahap praproses, citra grayscale tidak ditingkatkan kekontrasannya menggunakan filter Laplacian, kemudian diekstraksi menggunakan fuzzy entropy. Hasil ekstraksi ciri berupa vektor nilai fuzzy entropy
setiap piksel citra. Hasil identifikasi penyakit dapat dilihat pada Gambar 13. Gambar 13 memperlihatkan bahwa akurasi terendah ada pada penyakit tungro yaitu 76%. Tabel 5 memperlihatkan confusion matrix hasil identifikasi penyakit. Pada Tabel 5, dapat dilihat penyakit tungro yang teridentifikasi dengan benar sebanyak 76 citra dan penyakit tungro yang teridentifikasi sebagi penyakit hawar daun bakteri sebanyak 24 citra. Hal ini karena grafik fuzzy entropy setiap piksel citra penyakit tungro (Lampiran 9 (a)) seperti grafik fuzzy entropy setiap piksel citra hawar daun bakteri (Lampiran 10 (a)). Lampiran 12 memperlihatkan citra penyakit tungro yang teridentifikasi sebagai penyakit hawar daun bakteri. Akurasi hasil identifikasi penyakit sebesar 91.46%.
Gambar 12 Citra hasil praproses
Tabel 5 Confusionmatrix hasil identifikasi penyakit tanpa filter Laplacian
Penyakit Jumlah penyakit yang teridentifikasi dengan benar
Brown spot Leaf blast Tungro Hawar daun bakteri
Brown spot 28 0 0 0
Leaf blast 0 100 0 0
Tungro 0 0 76 24
14
Identifikasi Penyakit dengan Filter Laplacian
Identifikasi penyakit dilakukan dengan menggunakan sistem yang diberi nama I-PEDIA. Identifikasi penyakit menggunakan PNN dengan bias (σ) 0.07 yang diperoleh dari hasil percobaan. Pada tahap praproses, citra grayscale
ditingkatkan kekontrasannya menggunakan filter Laplacian, kemudian diekstraksi menggunakan fuzzy entropy. Hasil ekstraksi ciri berupa vektor nilai fuzzy entropy
setiap piksel citra. Penggunaan filter Laplacian pada tahap praproses data hanya meningkatkan akurasi pada penyakit tungro, sedangkan akurasi penyakit brown
spot, leaf blast, dan hawar daun bakteri menurun. Hasil identifikasi penyakit dapat
dilihat pada Gambar 14. Gambar 14 memperlihatkan bahwa akurasi terendah ada pada penyakit hawar daun bakteri yaitu 79%. Tabel 6 memperlihatkan confusion
matrix hasil identifikasi penyakit. Pada Tabel 6, dapat dilihat penyakit hawar daun
bakteri yang teridentifikasi dengan benar sebanyak 79 dan penyakit hawar daun bakteri yang teridentifikasi sebagi penyakit tungro sebanyak 21 citra. Hal ini karena grafik fuzzy entropy setiap piksel citra penyakit hawar daun bakteri (Lampiran 10 (b)) memiliki bentuk yang hampir mirip dengan grafik fuzzy entropy
setiap piksel citra tungro (Lampiran 9 (b)). Lampiran 13 memperlihatkan citra penyakit yang teridentifikasi sebagai penyakit hawar daun bakteri. Akurasi hasil identifikasi penyakit sebesar 90.55%.
Gambar 13 Akurasi hasil identifikasi penyakit tanpa filter Laplacian
100 100
Brown spot Leaf blast Tungro Hawar daun bakteri
A
kuras
i (%)
Jenis penyakit
Tabel 6 Confusionmatrix hasil identifikasi penyakit dengan filter Laplacian
Penyakit Jumlah penyakit yang teridentifikasi dengan benar
Brown spot Leaf blast Tungro Hawar daun bakteri
Brown spot 24 0 4 0
Leaf blast 0 97 0 3
Tungro 0 1 97 2
15
SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, aplikasi mobile untuk mengidentifikasi penyakit tanaman padi berhasil diimplementasikan. Hasil ekstraksi fitur fuzzyentropy citra dapat digunakan untuk mengidentifikasi jenis penyakit tanaman padi menggunakan klasifikasi PNN. Bias (σ) PNN yang digunakan sebesar 0.07.
Akurasi identifkasi penyakit tanaman padi pada penelitian ini adalah sebagai berikut:
tanpa penggunaan filter Laplacian pada tahap praproses data menghasilkan akurasi sebesar 91.46%.
dengan penggunaan filter Laplacian pada tahap praproses data menghasilkan akurasi sebesar 90.55%.
Saran
Penelitian ini menggunakan data citra jenis penyakit yang relatif sedikit jumlahnya, sehingga untuk penelitian selanjutnya disarankan untuk memperbanyak data citra jenis penyakit.
Gambar 14 Akurasi hasil identifikasi penyakit dengan filter Laplacian
85.71
16
DAFTAR PUSTAKA
[DJTP] Direktorat Jenderal Tanaman Pangan Kementerian Pertanian Republik Indonesia. 2012. Evaluasi prakiraan serangan OPT utama tanaman padi, jagung, kedelai musim tanam 2011/2012 terhadap angka kejadian selama bulan Oktober 2011-Maret 2012 [Internet]. [diunduh 2013 Mei 28]. Tersedia pada: http://tanamanpangan.deptan.go.id/index.php/folder/detail/3/3/131.
[DJTP] Direktorat Jenderal Tanaman Pangan Kementerian Pertanian Republik Indonesia. 2010. Laporan tahunan 2010 [Internet]. [diunduh 2013 Mei 29]. Tersedia pada: http://tanamanpangan.deptan.go.id/doc_upload/44_Laptah%20 Ditjen%202010.pdf.
Gonzalez RC, Woods RE. 2002. Digital Image Processing. Ed ke-2. New Jersey (US): Prentice-Hall.
Gutierrez-Osuna R. 2002. Pattern analysis for machine olfaction : a review. IEEE
Sensors Journal. 2:189-202.
Irfansyah M. 2011. Pengukuran kinerja k-nearest neighbors dan self organizing maps menggunakan fitur fast fourier transform [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Kurniawan T. 2013. Ekstraksi tekstur citra menggunakan local binary pattern
untuk identifikasi penyakit tanaman padi dan anthurium berbasis website [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Rajan AS. 2012. Image processing techniques for diagnosing paddy disease. Di dalam: World Congress on Engineering; 2012 Jul 4-6; London, UK.
Syam M, Suparyono, Hermanto, Wuryandari SD. 2003. Masalah Lapang Hama
Penyakit Hara pada Padi. Bogor (ID): Puslitbang Pertanian Tanaman Pangan.
Tan PN, Steinbach M, Kumar V. 2006. Introduction to Data Mining. Pearson (US): Addison Wesley.
Tao W, Jin H, Liu L. 2007. Object segmentation using ant colony optimization algorithm and fuzzy entropy. Pattern Recognition. 28:788-796.
17 Lampiran 1 Contoh citra daun tanaman padi untuk masing-masing kelas penyakit
1 Citra brown spot
2 Citra leaf blast
3 Citra tungro
18
Lampiran 2 Contoh citra daun padi yang di-crop
1 Citra brown spot
2 Citra leaf blast
3 Citra tungro
19 Lampiran 3 Frekuensi kemunculan piksel (a); peluang kemunculan setiap piksel (b)
(a) (b)
Lampiran 4 Peluang piksel gelap (a); peluang piksel terang (b)
(a) (b)
Lampiran 5 Nilai fuzzy entropy piksel gelap (a); nilai fuzzy entropy piksel terang (b)
20
Lampiran 6 Nilai fuzzy entropy setiap piksel (a); nilai fuzzy entropy yang dinormalisasi (b)
(a) (b)
Lampiran 7 Rata-rata fuzzy entropy setiap piksel citra brown spot: tanpa filter Laplacian (a); dengan filter Laplacian (b)
(a) (b)
Lampiran 8 Rata-rata fuzzy entropy setiap piksel citra leaf blast: tanpa filter Laplacian
21 Lampiran 9 Rata-rata fuzzy entropy setiap piksel citra tungro: tanpa filter Laplacian (a);
dengan filter Laplacian (b)
(a) (b)
Lampiran 10 Rata-rata fuzzy entropy setiap piksel citra hawar daun bakteri: tanpa filter
Laplacian (a); dengan filter Laplacian (b)
22
Lampiran 11 Screenshoot sistem I-PEDIA
Main Menu Jenis Penyakit Detail Penyakit
23 Lampiran 12 Citra penyakit tungro yang teridentifikasi sebagai penyakit hawar
daun bakteri
24
25
RIWAYAT HIDUP
Penulis dilahirkan di Pati pada tanggal 21 September 1990. Penulis merupakan putra pertama dari tiga bersaudara dari pasangan Bapak Jamasri dan Ibu Siti Kholimah. Pada tahun 2008, penulis lulus dari Sekolah Menengah Atas (SMA) Negeri 2 Pati dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).
