PERKIRAAN NILAI
REFLECTANCE
BERDASARKAN WARNA
CITRA DIGITAL MENGGUNAKAN
WIENER ESTIMATION
UNTUK MENDUGA USIA TANAMAN SAMBILOTO
NURUL AZIZAH
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 Perkiraan Nilai Reflectance Berdasarkan Warna Citra Digital Menggunakan Wiener Estimation untuk Menduga Usia Tanaman Sambiloto 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.
ABSTRAK
NURUL AZIZAH Perkiraan Nilai Reflectance Berdasarkan Warna Citra Digital Menggunakan Wiener Estimation untuk Menduga Usia Tanaman Sambiloto. Dibimbing oleh YENI HERDIYENI dan RUDI HERYANTO
Penelitian ini mengembangkan sistem untuk memperkirakan nilai reflectance dan usia tanaman Sambiloto (Andrographis paniculata) dengan menggunakan Wiener Estimation dan probabilistic neural networks (PNN). Sambiloto merupakan jenis tanaman obat yang mengandung senyawa andrografolid dan dapat menyembuhkan penyakit. Wiener Estimation digunakan untuk memperkirakan nilai reflectance daun sambiloto berdasarkan nilai RGB. Berdasarkan hasil eksperimen, transformasi Wiener dengan menggunakan orde 2 memberikan hasil estimasi yang baik. PNN digunakan untuk memprediksi umur sambiloto. Akurasi identifikasi usia tanaman sambiloto dengan menggunakan PNN sebesar 73.61% . Hasil penelitian ini dapat digunakan oleh masyarakat untuk untuk mengetahui mutu tanaman obat dengan melihat umur tanaman .
Kata Kunci: polynomial, Probabilistic Neural Network, reflectance, sambiloto, Wiener Estimation
ABSTRACT
NURUL AZIZAH. Estimated Reflectance Value Based On The Color Digital Image Using Wiener Estimation for Predicting Age Sambiloto. Supervised by YENI HERDIYENI and RUDI HERYANTO
This research developed a system to estimate the reflectance value and to predict Sambiloto plants age (Andrographis paniculata) using Wiener Estimation and probabilistic neural networks (PNN). Sambiloto is a medicinal plant containing Andrografolide compounds. Wiener Estimation is used to estimate the sambiloto reflectance values based on RGB values. According to experimental result, Wiener transformation using 2 orde give a good estimations. PNN is used to predict Sambiloto’s age. The accuracy of Sambiloto’s age using PNN is 73.61%. Results of this research can be used by the public to know about the quality of medical plant based on the age plant.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada
Departemen Ilmu Komputer
PERKIRAAN NILAI
REFLECTANCE
BERDASARKAN WARNA
CITRA DIGITAL MENGGUNAKAN
WIENER ESTIMATION
UNTUK MENDUGA USIA TANAMAN SAMBILOTO
NURUL AZIZAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Judul Skripsi : Perkiraan Nilai Reflectance Berdasarkan Warna Citra Digital Menggunakan Wiener Estimation untuk Menduga Usia Tanaman Sambiloto
Nama : Nurul Azizah NIM : G64090079
Disetujui oleh
Dr Yeni Herdiyeni, SSi, MKom
Pembimbing I
Rudi Heryanto, SSi, MSi Pembimbing II
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 karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2013 ini ialah reflectance, dengan judul Perkiraan Nilai Reflectance Berdasarkan Warna Citra Digital Menggunakan Wiener Estimation untuk Menduga Usia Tanaman Sambiloto Terima kasih penulis ucapkan kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini, yaitu:
1 Bapak Djonnelry, Mama, Uni Nita, Uni Rini, Uni Fifi, Kakak Fetty, keponakan-keponakanku (Azka, Tiara, Kifaya, Nabiha, dan Kenzie), kakak iparku (Ka Syukur, A Budi, dan Bang Roby) yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis dalam menyelesaikan tugas akhir ini.
2 Ibu Dr Yeni Herdiyeni, SSi, MKom dan Bapak Rudi Heryanto, SSi, MSi selaku dosen pembimbing yang telah memberikan arahan dan bimbingan kepada penulis dalam menyelesaikan tugas akhir ini.
3 Bapak Hari Agung Adrianto, SKom, MSi selaku dosen penguji.
4 Dosen-dosen di Departemen Ilmu Komputer yang telah memberikan ilmu kepada penulis
5 Teman-teman satu bimbingan Faradina, Doddy, Ikhsan, Kak Maryian, Kak Kholis, Anita, Yutika atas saran, masukan, dan nasihat yang diberikan kepada penulis.
6 Rini, Hanna, Iis, Luksie, Wulan, Haqqi, Ari, Erwin, Rangga, Fahri, Aziz, Yuzar, serta kepada teman-teman Ilmu Komputer IPB 46 yang selalu memberikan semangat, bantuan, dan motivasi yang telah diberikan kepada penulis.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 2
Sambiloto (Andrographis paniculata) 2
RGB 3
Reflectance 3
Spektrofotometer UV-VIS 4
Wiener Estimation 5
Probabilistic Neural Network 6
K-fold Cross Validation 8
Confusion Matrix 8
METODE 9
Pengumpulan Data 10
Praposes 11
Ekstraksi Ciri 12
Pembagian Data Latih dan Uji 12
Klasifikasi dengan Probabilistic Neural Network 13
Evaluasi 13
Spesifikasi Perangkat Lunak dan Perangkat Keras 13
HASIL DAN PEMBAHASAN 14
Ekstraksi Citra 14
Model Klasifikasi Citra 19
Evaluasi 20
SIMPULAN DAN SARAN 22
Simpulan 22
Saran 22
DAFTAR PUSTAKA 22
DAFTAR TABEL
1 Model Polynomial 5
2 Confusion matrix untuk masalah klasifikasi biner 8 3 Pembagian data latih dan data uji dengan 5-fold cross validation 12 4 Nilai error menggunakan 97 standar warna dan 46 tanaman obat 15 5 Hasil GFC dengan menggunakan 97 standar warna dan 46
tanaman obat 16
6 Akurasi hasil identifikasi penyakit sebanyak 5 iterasi 19 7 Hasil identifikasi usia sambiloto pada fold 1 19
8 Akurasi identifikasi usia sambiloto 20
DAFTAR GAMBAR
1 Sambiloto (Andrographis paniculata) 2
2 Panjang gelombang RGB 3
3 Proses nilai reflectance yang dihasilkan dari sumber cahaya 3
4 Spektrofotometer 4
5 Proses pengambilan nilai reflectance dengan kamera 4
6 Struktur PNN 7
7 tiga-fold cross validation 8
8 Metode penelitian 9
9 Proses pengambilan data 10
10 Proses pengambilan nilai reflectance menggunakan
spektrofotmeter 11
11 Ilustrasi cara pengambilan rata-rata nilai reflectance dan RGB
pada 6 titik 11
12 Tahap praproses 12
13 Estimasi nilai reflectance sambiloto usia 3 bulan dengan
menggunakan 97 standar warna 14
14 Estimasi nilai reflectance sambiloto usia 3 bulan dengan menggunakan 97 standar warna dan 46 tanaman obat 14 15 Spektrum rekontruksi daun sambiloto menggunakan term 7 18 16 Nilai spektrum rekontruksi daun sambiloto 1, 2, dan 3 bulan
dengan term 7 18
17 Nilai reflectance daun sambiloto usia 1, 2, dan 3 bulan 20 18 Antarmuka sistem perkiraan nilai reflectance 21 19 Tampilan hasil nilai reflectance dan usia daun sambiloto 21
DAFTAR LAMPIRAN
1 Data latih 46 daun tanaman obat untuk pembentukan model
matriks transformasi 24
2 Data latih 97 standar warna untuk pembentukan model matriks
transformasi 27
PENDAHULUAN
Latar Belakang
Tanaman obat memiliki senyawa aktif yang berkhasiat. Senyawa aktif ini merupakan hasil dari metabolit sekunder yang dapat menyembuhkan penyakit dan membutuhkan perlakuan yang berbeda dalam penggunaannya (Fathniyah 2011). Tanaman obat banyak digunakan oleh masyarakat karena efek samping yang relatif lebih sedikit dan harganya yang murah. Kandungan senyawa aktif tanaman obat sangat bervariasi bergantung pada spesies, varietas, asal geografis, budidaya, metode pemanenan, dan proses pasca panen (Singh et al. 2010). Spesies merupakan suatu takson yang dipakai dalam taksonomi untuk menunjuk pada satu atau beberapa kelompok individu yang serupa, sedangkan peringkat taksonomi yang berada di bawah spesies disebut varietas. Budidaya adalah kegiatan terencana pemiliharaan sumber daya hayati yang dilakukan pada suatu area lahan untuk diambil manfaatnya.
Selain itu, faktor umur tanaman obat dapat dijadikan penanda mutu dari suatu tanaman obat (Anuradha 2010). Usia tanaman obat dapat dilihat dari tingkat kecerahan warna daun. Umumnya, tanaman obat yang berusia muda memiliki daun berwarna muda atau lebih terang, sedangkan tanaman obat yang berusia tua memiliki daun berwarna gelap. Warna daun dapat menentukan nilai reflectance berdasarkan nilai RGB-nya. Pengukuran reflectance dapat dihitung dengan menggunakan alat spektrofotometer. Adanya kandungan senyawa aktif yang bervariasi dapat menyebabkan tidak konsistennya stabilitas produk dan keamanan obat sehingga dibutuhkan metode kendali mutu tanaman obat untuk mengontrol kualitas dan keamanan obat. Penentuan mutu tanaman obat biasanya dilakukan dengan uji lab kimia. Akan tetapi, hal ini dianggap kurang baik karena dapat merusak sampel tanaman obat, waktu pemrosesan yang cukup lama, dan biaya yang mahal. Untuk mengatasi masalah tersebut, dibutuhkan teknik lain dalam melakukan kendali mutu tanaman obat yaitu dengan pengolahan citra. Pengolahan citra yang dilakukan adalah dengan melihat nilai reflectance yang diambil dari sebuah citra dengan menggunakan kamera berdasarkan nilai RGB.
Pencitraan spektrum dengan metode Wiener Estimation telah dimanfaatkan oleh Shatilova (2008) untuk memperkirakan kandungan kartenoid di kulit ikan arctic charr (Salvelinus alpinus) dengan melibatkan rekonstruksi spektrum reflectance dari citra RGB. Hasil penelitiannya menunjukkan bahwa rekonstruksi spektrum reflectance pada ikan beku lebih baik dibandingkan dengan ikan segar. Perkiraan spektrum reflectance dari citra RGB menggunakan metode Wiener Estimation juga telah dilakukan oleh Stigell et al. (2007). Berdasarkan penelitiannya, rekonstruksi spektrum reflectance Macbeth color checker (24 standar warna) menghasilkan term 10 sebagai model polynomial terbaik dengan nilai error 0.040 dan citra icon menghasilkan term 3 sebagai model polynomial terbaik dengan nilai error sebesar 0.096.
2
Tujuan Penelitian
Tujuan penelitian ini adalah memperkirakan nilai reflectance berdasarkan warna citra digital menggunakan Wiener Estimation untuk menduga usia tanaman sambiloto.
Manfaat Penelitian
Manfaat penelitian ini adalah membantu masyarakat untuk mengetahui mutu tanaman obat dengan melihat umur tanaman sehingga tanaman obat tersebut dapat digunakan secara benar dan tepat.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian kali ini adalah data citra daun sambiloto (Andrographis paniculata) dengan mutu umur berbeda (1, 2, dan 3 bulan) yang dipanen dari kebun Biofarmaka Dramaga Bogor. Metode klasifikasi menggunakan Probabilistic Neural Network (PNN)
TINJAUAN PUSTAKA
Sambiloto (Andrographis paniculata)
Sambiloto merupakan jenis tanaman obat yang banyak digunakan untuk menyembuhkan penyakit (Gambar 1). Herba sambiloto berkhasiat untuk mengatasi hepatitis, infeksi saluran empedu, disentri basiler, tiroid, diare, influenza, radang amandel (tonsilitis), abses paru, radang paru (pneumonia), radang saluran napas (bronkitis), radang ginjal akut (pielonefritis akut), radang telinga tengah, radang usus buntu, sakit gigi, demam, malaria, kencing nanah (gonore), kencing manis, TB paru, skrofuloderma, batuk rejan, pertusis), sesak napas (asma), darah tinggi (hipertensi), kusta (morbus hansen atau lepra), leptospirosis, keracunan jamur, singkong, tempe bongkrek, makanan laut serta kanker (BPPP 2012).
Sambiloto mudah menjadi banyak dan tumbuh liar di tempat terbuka seperti di kebun, tepi sungai, tanah kosong yang agak lembab, atau ditanam di pekarangan sebagai tumbuhan obat. Sambiloto mengandung laktone (deoksiandrografolid, andrografolid, neoandrografolid, 14-deoksi-11, 12-didehidroandrografolid, dan homoandrografolid), flavonoid, alkane, keton, aldehid, mineral (kalium, kalsium, natrium, asam kersik, dan damar (Dalimartha 2002).
3
RGB
Pada model RGB, setiap warna muncul pada komponen spektrum utama yaitu merah, hijau, dan biru. Warna RGB memilki panjang gelombang 400 nm sampai 700 nm yang dapat dilihat pada Gambar 2.
,
Model RGB disebut additive model karena semua warna spektrum dari 380-780 nm dapat dibentuk dengan mencampur tiga warna primer dalam proporsi yang berbeda. Standarisasi panjang gelombang untuk 3 komponen spektrum warna utama dibuat oleh CIE (Commision International de I’Eclairage) pada tahun 1931 dengan biru = 435.8 nm, hijau = 546.1 nm, dan merah 700 nm (Gonzalez et al. 2002).
Reflectance
Reflectance adalah sinar yang dipantulkan oleh sebuah objek yang terdapat pada panjang gelombang tertentu, sedangkan absorpsi 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 nilai reflectance dinyatakan dalam Watt/m2 (CRIPS 2001). Semakin tinggi nilai reflectance, nilai absorpsi yang dihasilkan akan semakin tinggi. Sebaliknya, semakin rendah nilai reflectance yang dihasilkan maka semakin rendah nilai absorbsinya. Proses nilai reflectance yang dihasilkan dari sumber cahaya dapat dilihat pada Gambar 3.
Gambar 2 Panjang gelombang RGB
Hijau
Merah Biru
Gambar 3 Proses nilai reflectance yang dihasilkan dari sumber cahaya Incident rays
Reflected rays
Smooth surface
Incident rays Reflected rays
Rough surface
Sinar datang Sinar reflektan Sinar datang Sinar reflektan
Permukaan halus Permukaan kasar
4
Gambar 5 Proses pengambilan nilai reflectance dengan kamera Gambar 4 Spektrofotometer
Objek
Fiber optik probe Spektrometer
Spektrofotometer UV-VIS
Spektrofotometer absorpsi adalah sebuah instrumen yang mengukur nilai absorpsi atau penyerapan cahaya dengan energi (panjang gelombang) tertentu oleh suatu atom atau molekul. Spektrofotometer yang sering digunakan berada dalam daerah spektrum UV (ultraviolet) dan visual (sinar tampak). Molekul dalam daerah energi ini akan mengalami transisi elektron. Spektroskopi UV/Vis merupakan suatu spektroskopi absorbsi berdasarkan radiasi elektromagnetik pada panjang gelombang 160 sampai 780 nm (Skoog et al. 2004). Spektroskopi UV/Vis merupakan suatu spektroskopi absorbsi berdasarkan radiasi elektromagnetik pada panjang gelombang 160 sampai 780 nm (Skoog et al. 2004). Secara umum, spektroskopi terdiri dari sumber cahaya, pemilih panjang gelombang (wavelength selector), dan detektor. Alat spektroskopi dapat dilihat lebih jelas pada Gambar 4. Sumber radiasi dapat berupa lampu incandescent dan lampu tungsten hologen. Hasil citra objek yang difoto menggunakan kamera dapat dilihat nilai reflectance-nya berdasarkan nilai RGB citra. Tiap piksel citra akan menghasilkan nilai reflectance berdasarkan panjang gelombang yang diinginkan. Proses pengambilan nilai reflectance dengan kamera dapat dilihat pada Gambar 5.
5 Wiener Estimation
Wiener Estimation merupakan teknik yang digunakan untuk menentukan nilai reflectance dari suatu citra. Wiener Estimation dalam citra ditentukan menggunakan persamaan (1) (Jetsu et al. 2006).
Y = W . X (1) dengan:
X = matriks RGB dari kamera
Y = matriks spektrum reflectance yang terdiri dari banyaknya sampel (l) dan banyak channel spektrum (n)
W = matriks transformasi.
Estimasi matriks W secara eksplisit dapat direpresentasikan dengan persamaan (2).
dengan r adalah vektor kolom yang menyatakan nilai spektrum reflectance satu piksel pada citra dan v adalah vektor kolom dengan elemen RGB. Persamaan polynomial yang digunakan pada penelitian ini dapat dilihat pada Tabel 1.
Tabel 1 Model Polynomial
Orde Terms Model Poynomial
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
Pengukuran nilai error untuk spektrum rekonstruksi dapat dicari dengan menggunakan root-mean-square-error (RMSE). Perhitungan RMSE dihitung dengan menggunakan persamaan (4).
√∑ ( (̃))
dengan:
= spektrum original ̌ = spektrum rekonstruksi
n= banyak channnel spektrum
6
spektrum original dapat dicari dengan menggunakan Goodness of Fit Coefficient (GFC). Nilai GFC dapat dihitung dengan menggunakan persamaan (5) (Mansouri et al. 2008).
Interpretasi nilai GFC dibagi menjadi 4 kategori rekonstruksi spektrum yaitu GFC ≥ 0.9999 Excellent, 0.999 ≤ GFC < 0.9999 Very Good, 0.99 ≤ GFC < 0.999 Good, dan GFC < 0.99 Satisfactory of poor.
Probabilistic Neural Network
Probabilistic Neural Network (PNN) merupakan JST (Jaringan Saraf 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 yang lebih mudah dan cepat dibandingkan dengan JST Back Propagation karena PNN hanya membutuhkan 1 kali iterasi pelatihan dibandingkan dengan JST Back Propagation yang membutuhkan beberapa kali iterasi dalam proses pelatihannya. PNN terdiri atas 4 lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN selengkapnya ditunjukkan pada Gambar 6. Lapisan yang menyusun PNN adalah sebagai berikut:
1 Lapisan input (input layer)
Lapisan masukan merupakan input x yang terdiri atas nilai yang akan diklasifikasikan pada salah satu kelas dari kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input dan vektor bobot , yaitu . kemudian dibagi dengan bias (σ) tertentu dan selanjutnya dimasukkan ke dalam fungsi Parzen, yaitu ( ) e p (- ). Dengan demikian, persamaan yang digunakan pada lapisan
dengan xAi menyatakan vektor bobot atau vektor latih kelas A urutan
ke-i.
7 Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan sehingga menghasilkan population density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
4 Lapisan keluaran (output layer)
Pada lapisan keluaran, input x akan diklasifikasikan ke kelas A jika nilai paling besar dibandingkan dengan kelas lainnya.
8
K-fold Cross Validation
K-fold cross validation digunakan untuk mengevaluasi dan mengukur kinerja prediksi model klasifikasi. Cross validation membuat penggunaan data menjadi lebih baik. Cross validation membagi data menjadi 2 bagian. Satu bagian digunakan sebagai training set (data latih), yaitu untuk membuat parameter model dalam classifier. Bagian lainnya merupakan test set (data uji) yang digunakan untuk menguji kinerja model (Westerhuis et al. 2008).
K-fold cross validation merupakan teknik resampling yang membagi data menjadi k subdata. Setiap subdata berjumlah l/k dengan l adalah jumlah seluruh data, k - 1 subdata digunakan sebagai data latih data dan 1 subdata lainnya digunakan sebagai data uji (Anguita et al. 2009). Gambar 7 merupakan ilustrasi dari tiga-fold cross validation.
Gambar 7 tiga-fold cross validation
Confusion Matrix
Salah satu metode untuk mengevaluasi kinerja classifier adalah menggunakan confusion matrix. Confusion matrix merangkum jumlah data yang diprediksi benar atau salah oleh model klasifikasi. Confusion matrix lebih sering disebut dengan tabel kontingensi. 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 matriks, sedangkan yang lainnya adalah yang salah diklasifikasikan (Srinivasulu et al. 2009).
Tabel 2 Confusion matrix untuk masalah klasifikasi biner
9 Terminologi berikut ini sering digunakan ketika mengacu pada jumlah yang ditabulasikan dalam confusion matrix (Srinivasulu et al. 2009):
1. True positive (TP): jumlah data positif yang dengan benar diprediksi oleh model klasifikasi.
2. False negative (FN): jumlah data positif yang salah diprediksi. Diprediksi sebagai negatif oleh model klasifikasi.
3. False positive (FP): jumlah data negatif yang salah diprediksi. Diprediksi sebagai positif oleh model klasifikasi.
4. True negative (TN): jumlah data negatif yang dengan benar diprediksi oleh model klasifikasi.
METODE
Tahap-tahap yang dilakukan dalam penelitian ini adalah pengambilan data, praproses, estimasi nilai reflectance dengan Wiener Estimation, klasifikasi PNN, dan evaluasi. Tahapan penelitian yang lebih detail dapat dilihat pada Gambar 8.
Gambar 8 Metode penelitian
Pendugaan nilai reflectance dan penentuan
10
Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data citra 46 daun tanaman obat yang terdiri atas daun muda dan daun tua serta 90 daun sambiloto yang diambil dari kebun Biofarmaka, Cikabayan IPB. Selain data citra daun, penelitian ini juga menggunakan data 97 standar warna. Data citra 46 daun tanaman obat dapat dilihat pada Lampiran 1 dan citra 97 standar warna dapat dilihat pada Lampiran 2.
Saat pengambilan citra, 46 daun tanaman obat dan 90 daun sambiloto diletakkan di dalam kotak yang memiliki background putih secara bergantian. Proses pengumpulan data dapat dilihat pada Gambar 9. Pencahayaan di dalam kotak menggunakan lampu tungsten. Hal ini dilakukan agar warna pencahayaan yang dihasilkan sama dengan waktu pengambilan nilai reflectance menggunakan spektofotometer USB 4000.
Proses pengambilan nilai reflectance dari suatu objek adalah dengan meletakkan alat spektrofotometer yang sudah tersambungkan dengan komputer ke objek yang akan diamati. Nilai reflectance pada setiap satu titik piksel secara otomatis akan muncul di layar komputer. Proses pengambilan nilai reflectance dapat dilihat pada Gambar 10. Nilai reflectance diambil pada bagian bawah tulang daun sebanyak 6 titik, sedangkan nilai RGB yang digunakan adalah nilai rata-rata yang diambil pada wilayah pengambilan nilai reflectance. Pengambilan nilai reflectance dengan spektrofotometer menghasilkan 1540 channel dari panjang gelombang 400-700 nm untuk satu titik piksel. Banyaknya 1540 channel dihasilkan, dilakukan praproses dengan merata-ratakan setiap tiga data dari 1540 channel sehingga channel yang dihasilkan menjadi 515 channel. Ilustrasi cara pengambilan nilai rata-rata reflectance dan RGB dapat dilihat pada Gambar 11. Data diambil menggunakan kamera digital dengan ukuran 3888 x 2592 piksel. Citra yang terkumpul sebanyak 143 yang terdiri atas 97 standar warna, 46 tanaman obat, dan 360 daun sambiloto yang digunakan sebagai data latih dan data uji.
11
Praproses
Pada tahap praproses, 46 citra daun tanaman obat dan 90 daun sambiloto yang telah dikumpulkan dilakukan cropping secara manual. Sementara itu, untuk penentuan model polynomial terbaik, citra sambiloto yang digunakan sebagai model polynomial di-crop di bagian bawah tulang daun. Hal ini dilakukan agar wilayah pengambilan nilai reflectance sama saat menggunakan spektrofotometer USB 4000. Proses cropping daun sambiloto untuk model polynomial dapat dilihat pada Gambar 12. Data reflectance daun yang diambil menggunakan alat spektrofotometer dilakukan tahap praproses menggunakan teknik boxcar 3. Boxcar 3 adalah merata-ratakan setiap tiga data dari banyaknya channel yang dihasilkan oleh suatu nilai reflectance untuk satu titik piksel.
Gambar 10 Proses pengambilan nilai reflectance menggunakan spektrofotmeter
Gambar 11 Ilustrasi cara pengambilan rata-rata nilai reflectance dan RGB pada 6 titik
6 titk tempat pengambilan nilai
12
Ekstraksi Ciri
Ekstraksi ciri merupakan tahapan untuk mengambil ciri yang ada pada suatu citra yang akan digunakan untuk klasifikasi citra. Pada penelitian ini, ekstraksi ciri yang digunakan adalah mengkalikan hasil Wiener Estimation dengan citra daun Sambiloto yang berusia 1, 2, dan 3 bulan. Hasil citra dari tahapan praproses dihitung nilai spektrum rekonstruksi menggunakan model polynomial pada Tabel 1. Proses rekonstruksi transformasi polynomial membutuhkan data latih dan dan uji. Data latih yang digunakan adalah 97 standar warna dan 46 tanaman obat yang sudah diketahui nilai RGB dan nilai reflectance. Penggunaan model polynomial terbaik dilihat berdasarkan nilai RMSE dan GFC yang hitung dengan menggunakan persamaan (4) dan (5).
Pembagian Data Latih dan Uji
Data dibagi menjadi 2 bagian, yaitu data latih dan data uji. Hasil ekstraksi fitur dari data latih digunakan sebagai masukan untuk pelatihan dengan menggunakan PNN, sedangkan hasil ekstraksi fitur dari data uji digunakan untuk menguji model hasil pelatihan. Pengujian dilakukan untuk mengetahui kemampuan model dalam menduga usia tanaman Sambiloto berdasarkan nilai reflectance-nya. Pembagian data latih dan uji untuk klasifikasi dengan PNN menggunakan metode k-fold cross validation. Pada penelitian ini menggunakan nilai = 5 sehingga disebut 5-fold cross validation. Tujuannya adalah agar sebagai data uji dalam setiap percobaan yang dilakukan.
Tabel 3 Pembagian data latih dan data uji dengan 5-fold cross validation Percobaan Data latih Data uji
Fold 1 S2, S3, S4, S5 S1
Fold 2 S1, S3, S4, S5 S2
Fold 3 S1, S2, S4, S5 S3
Fold 4 S1, S2, S3, S5 S4
Fold 5 S1, S2, S3, S4 S5
Gambar 12 Tahap praproses
Daerah cropping Citra hasil cropping
13
Klasifikasi dengan Probabilistic Neural Network
Pendugaan usia Sambiloto berdasarkan nilai reflectance-nya dilakukan dengan menggunakan PNN. Struktur PNN terdiri atas lapisan masukan, pola, penjumlahan dan keputusan. Lapisan masukan berupa vektor hasil ekstraksi fitur dari citra Sambiloto. Pada lapisan pola, digunakan satu model PNN dengan nilai bias (σ) tetap. Bias merupakan suatu nilai parameter yang berguna untuk menghaluskan fungsi kernel. Data latih terdiri atas 288 citra dari 3 kelas yang masing-masing kelas terdapat 96 citra sambiloto, sedangkan data uji terdiri atas 72 citra dari 3 kelas yang masing-masing kelas terdapat 24 citra. Hasil ekstraksi data latih digunakan untuk membuat model klasifikasi. Akurasi klasifikasi PNN sangat ditentukan oleh faktor penghalus ( ) dan pola pelatihan yang diberikan. Pada penelitian ini, klasifikasi PNN menggunakan nilai bias 0.6.
Evaluasi
Evaluasi dilakukan untuk mengestimasi nilai reflectance dan mengetahui umur suatu tanaman obat. Hasil estimasi nilai reflectance dapat diketahui dengan menggunakan persamaan (5). Pengujian yang dilakukan dalam evaluasi ini adalah mengetahui umur tanaman obat dari nilai reflectance.
akurasi ∑ data u i yang benar∑ data u i
Spesifikasi Perangkat Lunak dan Perangkat Keras
Spesifikasi perangkat keras dan perangkat lunak yang dipakai dalam pengembangan penelitian ini adalah:
processor Intel(R) Dual-Core CPU T4300 @2.10GHz, memori DDR3 2.00 GB,
harddisk 300GB,
sistem operasi Windows 7 Ultimate, MATLAB 7.7.0 (R2008b),
Kamera Canon 8 MP,
14
HASIL DAN PEMBAHASAN
Ekstraksi Citra
Nilai reflectance dan RGB yang sudah didapat dari 97 standar warna dan 46 tanaman obat dihitung dengan menggunakan polynomial yang sudah ditentukan. Hasil dari model polynomial tersebut kemudian dihitung dengan nilai RGB daun sambiloto yang akan menampilkan nilai spektrum daun rekonstruksi ( ̃). Hasil estimasi nilai reflectance untuk daun sambiloto 1 usia 3 bulan dengan menggunakan 97 standar warna sebagai matriks transformasi dapat dilihat pada Gambar 13, sedangkan estimasi nilai reflectance untuk daun sambiloto 1 usia 3 bulan dengan menggunakan 97 standar warna dan 46 tanaman obat sebagai matriks transformasi dapat dilihat pada Gambar 14.
Berdasarkan hasil grafik dari Gambar 13, model polynomial dengan term 3 (orde 1) menghasilkan spektrum rekonstruksi yang paling baik dan mendekati nilai original, sedangkan hasil grafik dari Gambar 14 spektrum rekonstruksi yang paling baik dan mendekati nilai original adalah dengan menggunakan model polynomial term 7 (orde 2). Adanya penambahan data latih pada pembentukan matriks transformasi dapat mempengaruhi model polynomial yang dipakai untuk mengestimasi nilai reflectance daun Sambiloto. Hasil nilai spektrum daun rekonstruksi kemudian diukur nilai error-nya dengan nilai reflectance daun yang asli menggunakan alat spektrofotometer. Nilai error (RMSE) yang didapatkan
Gambar 13 Estimasi nilai reflectance sambiloto usia 3 bulan dengan menggunakan 97 standar warna
Gambar 14 Estimasi nilai reflectance sambiloto usia 3 bulan dengan menggunakan 97 standar warna dan 46 tanaman obat
-20
400 450 500 550 600 650 700
15 dengan menggunakan model polynomial tersebut digunakan untuk menentukan data latih sebagai matriks transformasi. Hasil error dengan menggunakan 97 standar warna dan 46 tanaman obat dapat dilihat pada Tabel 4.
Tabel 4 Nilai error menggunakan 97 standar warna dan 46 tanaman obat
Objek 97 standar warna
97 standar warna + 46 tanaman obat
RMSE RMSE
Orde 1 Orde 2 Orde 3 Orde 1 Orde 2 Orde 3
sambiloto 1
22.81 41.53 77.49 16.89 10.80 11.75
sambiloto 2
22.09 40.62 75.65 16.62 12.22 13.12
sambiloto 3
21.72 42.25 72.87 16.52 12.21 13.31
sambiloto 4
28.60 50.01 91.05 21.49 12.58 14.19
sambiloto 5
29.35 49.41 95.62 21.97 10.70 13.11
sambiloto 6
32.51 55.39 97.26 24.50 12.36 14.17
sambiloto 7
16
sambiloto 8
29.21 52.25 88.30 23.12 17.43 19.15
sambiloto 9
16.56 34.04 65.46 10.94 9.46 19.68
sambiloto 10
16.66 34.94 64.98 11.61 9.79 10.38
Rata-rata 24.88 45.36 82.02 18.54 12.02 13.29 Berdasarkan hasil Tabel 4, nilai error yang paling baik adalah dengan menggunakan 97 standar warna dan 46 tanaman obat sebagai data latih untuk matriks transformasi. Hal ini disebabkan nilai RGB pada citra standar warna tidak homogen pada tiap pilkselnya sehingga nilai error pada citra standar warna lebih besar. Penambahan data citra 46 tanaman obat dapat mengurangi nilai error. Penggunaan 97 standar warna dan 46 tanaman obat sebagai data latih untuk matriks transformasi akan menghasilkan model polynomial terbaik dengan melihat nilai GFC yang paling bagus. Hasil GFC dapat dilihat pada Tabel 5.
Tabel 5 Hasil GFC dengan menggunakan 97 standar warna dan 46 tanaman obat
Objek 97 standar warna
97 standar warna dan 46 tanaman obat
GFC GFC
Orde 1 Orde 2 Orde 3 Orde 1 Orde 2 Orde 3
sambiloto 1
0.97 0.96 0.97 0.97 0.75 0.78
sambiloto 2
17
sambiloto 3
0.96 0.95 0.96 0.96 0.76 0.77
sambiloto 4
0.96 0.95 0.96 0.96 0.78 0.80
sambiloto 5
0.96 0.96 0.97 0.96 0.82 0.84
sambiloto 6
0.96 0.96 0.97 0.96 0.83 0.85
sambiloto 7
0.97 0.96 0.97 0.97 0.84 0.86
sambiloto 8
0.96 0.96 0.97 0.96 0.83 0.85
sambiloto 9
0.96 0.96 0.96 0.96 0.82 0.84
sambiloto 10
0.96 0.96 0.96 0.96 0.82 0.83
Rata-rata 0.96 0.96 0.96 0.96 0.80 0.82
18
transformasi yang hanya menggunakan 97 standar warna tidak dijadikan sebagai matriks transformasi karena menghasilkan nilai error yang sangat besar. Sedangkan spektrum rekonstruksi daun sambiloto yang paling baik dengan menggunakan 97 standar warna dan 46 daun tanaman sebagai data latih matriks transformasi adalah menggunakan polynomial orde 1 dengan nilai GFC sebesar 0.96. tetapi nilai error (Tabel 3) orde 1 menghasilkan nilai yang paling besar. Nilai error pada masing-masing term ini memiliki selisih yang berbeda jauh dibandingkan nilai GFCnya. sehingga nilai error ini memiliki pengaruh yang besar terhadap pemilihan polinomial. Model polynomial terbaik dilihat berdasarkan nilai RMSE dan GFCnya adalah orde 2. Nilai rekonstruksi spektrum reflectance yang diperoleh menggunakan polynomial orde 2 dibandingkan dengan nilai reflectance asli dari daun sambiloto memiliki kesamaan pola spektrum dapat dilihat pada Gambar 15.
Model polynomial terbaik yang sudah didapatkan kemudian digunakan untuk ekstraksi daun tanaman sambiloto yang berumur 1, 2, dan 3 bulan. Hasil nilai reflectance daun sambiloto berumur 1, 2, dan 3 bulan dapat dilihat pada Gambar 16. Gambar 16 diperoleh dari hasil rata-rata setiap usia (1, 2, dan 3 bulan) daun sambiloto. Berdasarkan hasil ekstraksi ciri citra (Gambar 16) yaitu nilai reflectance, daun sambiloto yang berumur 1 bulan lebih tinggi nilai reflectance dibandingkan dengan umur 2 dan 3 bulan. Hal ini disebabkan penyerapan sinar yang dilakukan oleh daun sambiloto berumur 1 bulan lebih sedikit dibandingkan dengan daun sambiloto yang berumur 2 dan 3 bulan dilakukan oleh daun sambiloto berumur 1 bulan lebih sedikit dibandingkan dengan daun sambiloto yang berumur 2 dan 3 bulan.
Gambar 15 Spektrum rekontruksi daun sambiloto menggunakan term 7
19
Model Klasifikasi Citra
Percobaan dilakukan untuk mengklasifikasi 72 data uji menjadi 3 kelas yaitu usia 1 bulan, usia 2 bulan, dan usia 3 bulan. PNN digunakan sebagai classifier. Nilai bias ( ) yang digunakan untuk memperoleh pola atau model klsifikasi dalam percobaan ini adalah 0.6. Berdasarkan model 5-fold cross validation, akurasi hasil klasifikasi dari 72 data uji yang berbeda dapat dilihat pada Tabel 6. Akurasi dari hasil percobaan fold 1 sebesar 73.61%, fold 2 sebesar 61.11%, fold 3 sebesar 63.88, fold 4 sebesar 66.67%, dan fold 5 sebesar 63.88%. Total citra sebanyak 360 buah, dengan perbandingan data latih dan data uji sebesar 80% dan 20%. Jumlah citra data latih dan data uji masing-masing sebanyak 288 dan 72 buah citra.
Tabel 6 Akurasi hasil identifikasi penyakit sebanyak 5 fold fold Akurasi ekstraksi ciri dari data latih pada fold 1 selanjutnya digunakan untuk membangun sistem ini. Hal ini dikarenakan mampu menjadi penciri yang baik untuk membedakan sambiloto yang berusia 1 bulan, 2 bulan, dan 3 bulan. Hasil klasifikasi perkiraan umur tanaman sambiloto dengan menggunakan fold 1 dapat dilihat pada Tabel 7.
Tabel 7 Hasil identifikasi usia sambiloto pada fold 1
20
Evaluasi
Hasil klasifikasi umur tanaman sambiloto yang didapatkan sebelumnya dapat dihitung nilai akurasinya. Nilai akurasi didapatkan dengan menghitung banyaknya data yang terklasifikasi benar dibagi dengan banyaknya data uji. Nilai akurasi berdasarkan hasil klasifikasi dapat dilihat pada Tabel 8. Hasil klasifikasi usia tanaman sambiloto dengan bias 0.6 dapat dilihat pada Lampiran 3.
Tabel 8 Akurasi identifikasi usia sambiloto
Akurasi menghasilkan akurasi yang paling rendah dibandingkan dengan usia 1 dan 3 bulan. Hal ini disebabkan oleh nilai reflectance pada usia 2 dan 3 bulan tidak berbeda jauh (Gambar 16) sehingga beberapa data tanaman sambiloto yang berusia 2 bulan teridentifikasi sebagai tanaman sambiloto yang berusia 3 bulan. Selain itu. cara penanaman dan faktor geografis juga dapat mempengaruhi pertumbuhan tanaman sambiloto. Data latih untuk matriks transformasi terdapat daun muda dan daun tua pada 46 tanaman obat. Data tersebut digunakan untuk variasi nilai RGB dan reflectance pada matriks transformasi. Panjang gelombang menjelaskan bahwa terdapat sinar yang dipantulkan oleh objek pada suatu kisarannya. Pada Tabel 8, dapat dilihat bahwa 23 data uji teridentifikasi sebagai tanaman sambiloto berusia 1 bulan, 13 data uji teridentifikasi sebagai tanaman sambiloto berusia 2 bulan, dan 17 data uji teridentifikasi sebagai tanaman sambiloto berusia 3 bulan. Nilai reflectance untuk 1 citra daun sambiloto usia 1, 2, dan 3 bulan dapat dilihat pada Gambar 17.
Gambar 17 Nilai reflectance daun sambiloto usia 1, 2, dan 3 bulan
21
Implementasi Sistem
Tahap implementasi sistem menghasilkan sebuah sistem berbasis desktop yang dapat menghitung nilai reflectance berdasarkan warna citra digital untuk menduga usia tanaman sambiloto. Proses perhitungan nilai reflectance dan pendugaan usia tanaman sambiloto dapat dilakukan dengan mengunggah sebuah citra berukuran 20 x 20 piksel. Antarmuka sistem perkiraan nilai reflectance dan identifikasi usia daun sambiloto dapat dilihat pada Gambar 18. Gambar 19 menunjukkan tampilan hasil nilai reflectance dan usia daun sambiloto.
Gambar 18 Antarmuka sistem perkiraan nilai reflectance
22
SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, Wiener Estimation digunakan sebagai ekstraksi ciri untuk memperkirakan nilai reflectance daun sambiloto. Wiener Estimation menghasilkan sebuah matriks transformasi yang digunakan untuk memperkirakan nilai reflectance daun sambiloto berdasarkan nilai RGB-nya dengan menggunakan model polynomial. Hasil ekstraksi ciri menggunakan Wiener Estimation menhasilkan orde 2 sebagai model polynomial terbaik dengan data citra 97 standar warna dan 46 tanaman obat sebagai data latih untuk matriks transformasi. Identifikasi usia tanaman sambiloto menggunakan ekstraksi ciri Wiener Estimation dengan PNN menghasilkan akurasi tertinggi sebesar 73.61%. Perkiraan nilai reflectance daun sambiloto pada usia 1, 2, dan 3 bulan yang dihasilkan tidak berbeda jauh. Selain itu, faktor geografis dapat mempengaruhi nilai reflectance dari daun sambiloto.
Saran
Penelitian selanjutnya diharapkan menggunakan data citra standar warna dengan nilai RGB yang homogen. Perhitungan nilai reflectance dengan alat sebaiknya mengunakan spektrofotometer yang memiliki nilai sensitif yang stabil sehingga nilai error yang dihasilkan semakin kecil dan spektrum rekontruksi yang dihasilkan sama dengan spektrum original.
DAFTAR PUSTAKA
Anguita D, Ghio A, Ridella S, Sterpi D. 2009. K-fold cross validation for error rate estimate in support vector machines. In Proc. DMIN [internet]. 2009 July 13-16; Las Vegas Amerika Serikat. Las Vegas (US). hlm 291-297.
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.
[BPPP] Badan Penelitian dan Pengembangan Pertanian. 2012. Ayo Mengenal Tanaman Obat. Bogor (ID): IAARD Press.
[CRIPS] Centre for Remote Imaging. Sensing and Processing. 2001. Optical Remote Sensing [Internet]. [diunduh 2013 Agustus 28] Tersedia pada: http://www.crisp.nus.edu.sg/~research/tutorial/optical.htm.
23 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.
Gonzalez RC, Woods R E. 2002. Digital Image Processing. New Jersey (US): Prentice Hall.
Gowen AA, CP O’Donnell. PJ Cullen, SEJ Bell. 2008. Recent applications of chemical Imaging to pharmaceutical process monitoring and quality control. European J of Pharmaceutics and Biopharmaceutics. 69:10-22.
Jetsu T, Heikkinem V, Parkkinen J, Kasari MH, Martinkauppi B, Lee SD, OK Departement of Computer Science. University of Joensuu.
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, F James Holler. Stanley RC. 2004. Fundamentals of Analytical Chemistry. Ed ke-8. Canada (CA): Brooks Cole.
Srinivasulu P, Nagaraju D, Kumar PR, Rao KN. 2009. Classifying the network intrusion attacks using data mining classification methods and their performance comparison. IJCSNS [Internet]. [diunduh 2012 Sept 2]; 9(6):11-18. Tersedia pada: http://paper.ijcsns.org/07_book/200906/20090602.pdf. Stigell P, Miyata K. Kasari MH. 2007. Wiener estimation method in estimating
of spectral reflectance from RGB image. Pattern Recognition and Image Analysis. 17(2): 233-242. doi: 10.1134?s1054661807020101.
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.
24
Lampiran 1 Data latih 46 daun tanaman obat untuk pembentukan model matriks transformasi
No Nama Daun Daun Muda Daun Tua
1 Dudang Kayu
2 Remak Daging
3 Sambang Dara
4 Sirih
5 Jinten
6 Daun Iler
25 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
26 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
27 Lampiran 2 Data latih 97 standar warna untuk pembentukan model matriks
transformasi
w7 w8 w9 w10 w11 w12
w13 w14 w15 w16 w17 w18
w19 w20 w21 w22 w23 w24
w25 w26 w27 w28 w29 w30
w31 w32 w33 w34 w35 w36
w37 w38 w39 w40 w41 w42
w43 w44 w45 w46 w47 w48
w49 w50 w51 w52 w53 w54
w55 w56 w57 w58 w59 w60
28 Lanjutan
w67 w68 w69 w70 w71 w72
w73 w74 w75 w76 w77 w78
w79 w80 w81 w82 w83 w84
w85 w86 w87 w88 w89 w90
w91 w92 w93 w94 w95 w96
29 Lampiran 3 Hasil klasifikasi dengan bias 0.6
30 Lanjutan
Daun 43 2
Daun 44 2
Daun 45 3
Daun 46 2
Daun 47 2
Daun 48 1
Daun 49 3
Daun 50 3
Daun 51 2
Daun 52 3
Daun 53 2
Daun 54 3
Daun 55 3
Daun 56 3
Daun 57 3
Daun 58 3
Daun 59 3
Daun 60 3
Daun 61 3
Daun 62 3
Daun 63 2
Daun 64 2
Daun 65 3
Daun 66 3
Daun 67 2
Daun 68 3
Daun 69 2
Daun 70 2
Daun 71 3
31
RIWAYAT HIDUP
Penulis dilahirkan di Kebumen pada tanggal 30 April 1991 dari ayah Djonnelry R dan ibu Asni Warni. Penulis adalah putri kelima dari lima bersaudara. Pada tahun 2009. penulis lulus dari SMA Negeri 1 Depok 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.
