PENDUGAAN NILAI REFLECTANCE MENGGUNAKAN
TRANSFORMASI WAVELET UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN DAUN JATI BELANDA
I GEDE ARTA WIBAWA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Pendugaan Nilai Reflectance menggunakan Transformasi Wavelet untuk Menentukan Usia dan Kandungan Pigmen Daun Jati Belanda adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, 2015
RINGKASAN
I GEDE ARTA WIBAWA. Pendugaan Nilai Reflectance menggunakan Transformasi Wavelet untuk Menentukan Usia dan Kandungan Pigmen Daun Jati Belanda. Dibimbing oleh YENI HERDIYENI dan BIB PARUHUM SILALAHI.
Jati Belanda adalah salah satu tumbuhan yang biasa digunakan untuk pengobatan tradisional dan herbal. Daun Jati Belanda mengandung senyawa aktif yang berkhasiat sebagai antioksidan. Warna daun dapat digunakan sebagai faktor penentu kandungan senyawa aktif yang terdapat di dalamnya. Secara umum kualitas senyawa aktif dapat diukur menggunakan metode uji kimia. Uji kimia mempunyai beberapa kekurangan. Uji kimia merusak objek penelitian, memerlukan waktu dan sumber daya yang relatif banyak. Pengolahan citra digital mampu mengatasi kekurangan uji kimia. Penggunaan metode pengolahan citra digital tidak hanya mampu menyediakan informasi pigmen dan senyawa aktif, tetapi juga mampu menyediakan informasi usia dari daun tanaman Jati Belanda. Tujuan penelitian ini adalah menduga/mengestimasi nilai reflectance menggunakan transformasi wavelet, menduga kandungan pigmen penting dan menentukan usia daun tanaman Jati Belanda.
Penelitian ini menggunakan 3 buah proses besar yaitu: estimasi spektrum reflectance, penentuan usia daun dan kandungan pigmen penting pada daun Jati Belanda. Proses estimasi spektrum reflectance membentuk model reflectance daun tanaman obat yang terbaik berdasarkan kriteria kesalahan terkecil dan kemiripan terbesar. Model reflectance daun tanaman obat digunakan untuk menentukan spektrum reflectance dari citra daun Jati Belanda. Model reflectance terbaik dibentuk oleh beberapa komponen. Transformasi wavelet menyediakan informasi penting yang terdapat pada komponen spektrum reflectance. Wavelet yang digunakan adalah Haar, Daubechies dan symlet. Model polinomial digunakan untuk mengolah komponen data citra digital sehingga membentuk model estimasi reflectance terbaik. Spektrum estimasi dari citra daun Jati Belanda digunakan untuk membentuk kadar cahaya serapan (absorbance) dan menentukan usia dari daun Jati Belanda. Usia daun Jati Belanda diperoleh mengunakan metode klasifikasi Probabilistic Neural Network (PNN). 5-fold cross validation membagi data menjadi data latih dan data uji untuk membentuk model klasifikasi yang baik. Dataset 276 daun tanaman obat, penerapan transformasi wavelet Haar level 3 dan penerapan model polinomial orde 1 mampu membentuk model estimasi reflectance terbaik. Kesalahan estimasi model estimasi reflectance sebesar 3.89 dengan kemiripan 0.99 yang tergolong baik. Penentuan usia menggunakan PNN menghasilkan nilai akurasi sebesar 73.50 %
SUMMARY
I GEDE ARTA WIBAWA. Spectral Reflectance Estimation using Wavelet Tranformation to Predict Age and Pigment Content of Jati Belanda Leaf Image. Supervised by YENI HERDIYENI and BIB PARUHUM SILALAHI
Jati Belanda is one of plant that commonly used as a traditional and herbal raw material. Jati Belanda contains an active compound that is efficacious as an antioxidant. The active compounds could be determined from the leaf colour. The active compounds quality could be tested using the chemical test. Chemical test has shortcomings. Chemical test leds physical, requires more time and resources. Digital image processing is able to overcome the lack of the chemical test. Digital image processing methods are not only able to provide pigments information and active compounds, but also are able to provides information about the age of the Jati Belanda leaf. The purpose of this study are to estimate the reflectance using wavelet transform, provide information of pigment content and to determine the age of Jati Belanda leaf.
This study used 3 major processes, namely: the reflectance spectrum estimation, the leaf age determination and the pigment estimation of Jati Belanda leaf. The reflectance spectrum estimation process formed the best reflectance estimation model of the Jati Belanda leaf images based on the minimum error and the maximum signal fitness. Reflectance of herbal raw material was used to estimate the best reflectance model of Jati Belanda leaf image. The best reflectance model was made up of several components. The wavelet transform provided important information of reflectance spectrum components. Haar, Daubechies and symlet wavelet were used. The polynomial model generated feature of image data components and also generated the best reflectance estimation model. The estimated Jati Belanda leaf images spectrum was converted to the absorbance spectrum and generated the leaf pigment content. Probabilistic Neural Network (PNN) model classified the age of Jati Belanda leaf using the reflectance estimation value. 5 fold cross validation validated the testing data and training data to generate the best classification model.
The best reflectance model of Jati Belanda were generated by using the dataset 276, the third level of haar wavelet transform and the first order of polynomial model. Estimation error value was 3.89 and fitness value was 0.99 that indicated good signal estimation. PNN model accuracy was 73.50 %.
© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains
pada
Program Studi Ilmu Komputer
PENDUGAAN NILAI REFLECTANCE MENGGUNAKAN
TRANSFORMASI WAVELET UNTUK MENENTUKAN USIA
DAN KANDUNGAN PIGMEN DAUN JATI BELANDA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2015
Judul Tesis : Pendugaan Nilai Reflectance menggunakan Transformasi Wavelet untuk Menentukan Usia dan Kandungan Pigmen Daun Jati
Belanda
Nama : I Gede Arta Wibawa NIM : G651114021
Disetujui oleh Komisi Pembimbing
Dr Yeni Herdiyeni, SSi, MKom Ketua
Dr Ir Bib Paruhum Silalahi, MKom Anggota
Diketahui oleh
Ketua Program Studi Ilmu Komputer
Dr Wisnu Ananta Kusuma, ST, MT
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah MSc, Agr
PRAKATA
Puji dan Syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa sehingga karya ilmiah yang berjudul Pendugaan Nilai Reflectance menggunakan Transformasi Wavelet untuk Menentukan Usia dan Kandungan Pigmen Daun Jati Belanda selesai dilaksanakan. Terima kasih yang sebesar-besarnya penulis ucapkan kepada Ibu Dr Yeni Herdiyeni, SSi, M.Kom dan Bapak Dr Ir Bib Paruhum Silalahi, MKom selaku pembimbing, dan Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB yang telah membantu dalam pengumpulan bahan.
Ungkapan terima kasih juga disampaikan kepada keluarga besar penulis atas doa dan dukungannya, teman-teman yang selalu memberikan semangat dan pihak lain yang tidak bisa saya sebutkan satu persatu.
Sebagai penutup penulis mengharapkan semoga karya ilmiah ini dapat bermanfaat bagi masyarakat.
Bogor, Juli 2015
DAFTAR ISI
Ruang Lingkup Penelitian 2
2 TINJAUAN PUSTAKA 2
Jati Belanda (Guazuma Ulmifolia) 2
Citra Digital 3
Reflectance dan Absorbance 4
Penyerapan Energi oleh Pigmen Daun 4
Transformasi Wavelet 4
Probabilistic Neural Network (PNN) 8
Analysis of Variance (ANOVA) 9
K-fold Cross Validation 9
Confusion Matrix 10
3 METODE PENELITIAN 11
Pengambilan Data 11
Praproses 13
Estimasi Spektrum Reflectance 14
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat 15 Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat 16 Penentuan dataset terbaik sebagai model estimasi 16
Pendugaan Kandungan Pigmen dan Usia Daun 17
Pendugaan absorbance pada pigmen utama daun 17
Pendugaan usia daun tanaman 17
4 HASIL DAN PEMBAHASAN 19
Estimasi Spektrum Reflectance 19
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat 19 Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat 20 Penentuan dataset terbaik sebagai model estimasi 21
Analisa wavelet terbaik 22
Pendugaan Kandungan Pigmen dan Usia Daun 23
Pendugaan Absorbance pada Kandungan Pigmen Utama Daun 23
Pendugaan Usia Daun 27
5 SIMPULAN DAN SARAN 30
Simpulan 30
Saran 30
Lampiran 1 33
Lampiran 2 36
Lampiran 3 43
Lampiran 4 44
DAFTAR TABEL
1 Confussion matrix untuk masalah klasifikasi biner 10
2 Model Polinomial 15
3 Pembagian data latih dan data uji dengan 5-fold cross validation 18
4 Nilai error dan GFC menggunakan dataset 46 19
5 Nilai error dan GFC menggunakan dataset 276 20
6 Nilai error dan GFC rata-rata fungsi wavelet untuk semua level pada
dataset 276 23
7 Analisis Keragaman ANOVA terhadap daya absorbance pigmen utama
daun Jati Belanda 26
8 Hasil uji lanjutan menggunakan Uji LSD 26
9 Akurasi identifikasi usia daun Jati Belanda 27
10 Confussion Matrix pendugaan usia daun dengan fold 1 27 11 Akurasi identifikasi usia daun Jati Belanda 28 12 Contoh Citra Hasil Klasifikasi PNN menggunakan fold 1 29
DAFTAR GAMBAR
1 Jati Belanda (Guazuma Ulmifolia) 3
2 Warna dan panjang gelombang cahaya tampak 3
3 Penyerapan cahaya oleh pigmen daun 5
4 Penggunaan filter bank pada subband coding 6
5 Fungsi Penyekala dan Wavelet Haar 6
6 Koefisien wavelet dan fungsi penyekala daubechies N=10 7 7 Koefisien wavelet dan fungsi penyekala Symlet N=10 7
8 Struktur PNN 9
9 3-Fold Cross Validation 10
10 Tahapan penelitian 11
11 Proses akuisisi reflectance 46 daun tanaman obat menggunakan
spektrofotometer. 12
12 Proses pengambilan data citra digital. 12
13 Tahap praproses. 13
14 Proses pengambilan spektrum reflectance dan RGB pada data 46 daun
tanaman obat. 13
15 Ilustrasi pengambilan rataaan spektrum reflectance dan RGB pada
data 46 daun tanaman obat. 14
16 Bagan alir estimasi nilai reflectance menggunakan dataset 46 15 17 Bagan alir estimasi nilai reflectance menggunakan dataset 276 16 18 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
dataset 46 20
19 Spektrum reflectance rekonstruksi daun Jati Belanda menggunakan
276 daun tanaman obat 21
20 Hasil pengujian estimasi reflectance daun Jati Belanda 21 21 Perbandingan spektrum reflectance rekonstruksi dengan
22 Spektrum reflectance rekonstruksi daun Jati Belanda usia 1, 2 dan 3
bulan. 23
23 Spektrum absorbance daun Jati Belanda usia 1, 2 dan 3 bulan. 24 24 Penyerapan senyawa aktif pada daun Jati Belanda 25 25 Perbandingan absorbance pigmen utama daun berdasarkan usia daun
1, 2 dan 3 bulan 25
26 Perbandingan reflectance daun 2 bulan yang terklasifikasi benar dan yang terklasifikasi sebagai 1 bulan dan 3 bulan 28
DAFTAR LAMPIRAN
1
PENDAHULUAN
Latar Belakang
Jati Belanda adalah salah satu tanaman obat yang berkhasiat sebagai antioksidan. Khasiat obat yang dihasilkan disebabkan oleh kandungan senyawa aktif yang terkandung di dalamnya. Kandungan senyawa aktif pada tanaman obat bervarisi. Faktor yang mempengaruhi kandungan senyawa aktif adalah spesies, varietas, kondisi geografis, budidaya, metode pemanenan, proses pasca panen (Singh et al. 2010) dan umur/usia (Anuradha et al. 2010). Semakin tua usia tanaman obat, kandungan senyawa aktif yang terkandung semakin besar. Usia dapat digunakan sebagai salah satu faktor penanda mutu tanaman obat (Anuradha et al 2010). Usia tanaman dapat direpresentasikan oleh manusia melalui tingkat kecerahan atau warna daun. Warna daun dapat digunakan sebagai penanda kualitas senyawa aktif yang terdapat pada daun (Choudhary dan Sekhon 2011). Daun muda lebih cerah jika dibandingkan dengan daun yang lebih tua. Daun muda memiliki lebih sedikit senyawa aktif dari pada daun tua. Cahaya yang diserap oleh daun muda lebih sedikit dari pada cahaya yang dipantulkan. Cahaya yang dipantulkan oleh suatu objek disebut dengan istilah reflectance (Herdiyeni et al. 2014).
2
Penelitian ini menggunakan transformasi wavelet dan menerapkan model polinomial untuk membentuk model reflectance, menduga kandungan pigmen penting pada daun Jati Belanda, dan menentukan usia daun Jati Belanda. Model polinomial digunakan untuk memperoleh jumlah penciri citra digital yang sesuai sehingga menghasilkan model estimasi reflectance yang baik. Evaluasi model estimasi reflectance menggunakan Root Mean Square Error (RMSE) dan Goodness of Fit Coefficient (GFC). Model reflectance terbaik digunakan untuk mengestimasi reflectance dari citra daun Jati Belanda. Reflectance estimasi citra daun Jati Belanda dikonversi ke dalam spektrum absorbance menggunakan formula transformasi reflectance ke absorbance (Nuayi et al. 2014) (Smith et al. 2003). Nilai absorbance digunakan untuk menentukan kandungan pigmen penting dan senyawa aktif yang terdapat pada daun Jati Belanda. Reflectance estimasi digunakan juga untuk menentukan usia daun Jati Belanda menggunakan model Probabilistic Neural Network (PNN). Daun Jati Belanda diklasifikasikan ke dalam 3 kategori usia 1, 2 dan 3 bulan menggunakan model PNN.
Tujuan Penelitan
Tujuan penelitian ini adalah menduga/mengestimasi nilai reflectance menggunakan transformasi wavelet, menduga kandungan pigmen penting dan menentukan usia daun tanaman Jati Belanda.
Manfaat Penelitian
Menyedikan informasi kepada masyarakat tentang nilai reflectance, kandungan pigmen penting dan usia daun melalui media citra digital Jati Belanda sehingga daun Jati Belanda mampu berkhasiat sesuai harapan.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini antara lain:
1. Pembangunan model estimasi reflectance menggunakan 46 jenis daun tanaman obat yang terdiri atas 23 daun tanaman obat muda dan 23 daun tanaman obat tua. Daun tanaman obat didapat dari Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB.
2. Data citra daun Jati Belanda yang digunakan untuk pengujian adalah data citra daun dengan usia 1, 2 dan 3 bulan yang didapat dari Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB.
2
TINJAUAN PUSTAKA
Jati Belanda (Guazuma Ulmifolia)
3 memicu gangguan pada sistem metabolisme manusia dan mampu menimbulkan berbagai penyakit (Setiawan 2008). Pengujian kandungan senyawa aktif pada Jati Belanda dapat dilakukan dengan menggunakan berbagai metode seperti: uji tabung, mikrokimiawi-mikrokristal, KLT (kromatografi lapis tipis), HTS (High Troughput Screening) (Mulyani dan Toga 2011), dan uji kromatografi kilas (Setiawan 2008). Penerapan uji kimia merusak fisik dari bahan uji, membutuhkan waktu yang lama dan biaya yang relatif mahal. Metode uji kimia hanya mampu menyediakan informasi mengenai kandungan senyawa aktif pada daun Jati Belanda. Penelitian ini mengembangkan metode alternatif dari penerapan uji kimia. Metode yang diterapkan adalah menggunakan metode pengolahan citra digital dengan cara melakukan estimasi reflectance dari citra digital daun Jati Belanda (Herdiyeni et al. 2014). Spektrum reflectance mampu digunakan untuk mengestimasi kandungan pigmen penting atau senyawa aktif yang terkandung pada daun tumbuhan (Ustin et al. 2009).
Gambar 1 Jati Belanda (Guazuma Ulmifolia)
Citra Digital
Kamera digital merepresentasikan objek yang ditangkapnya menjadi sebuah matriks piksel atau citra digital. Citra digital yang dibentuk menggunakan model warna RGB disebut dengan citra RGB (Tabakov 2013). Setiap piksel dari citra RGB dibentuk dari komponen warna Red (merah), Green (hijau) dan Blue(biru). Citra RGB mengandung p x l x 3 data. Komponen p adalah panjang citra, l adalah lebar citra dan 3 buah komponen warna merah, hijau dan biru.
Model warna RGB adalah model standar yang digunakan pada piranti elektronika seperti komputer, televisi dan lain-lain. Model warna RGB digunakan untuk merepresentasikan sistem penglihatan manusia. Warna adalah merupakan radiasi elektromagnetik yang mampu ditangkap sistem visual manusia (Khurge dan Peswani 2014). Warna yang dapat dilihat sistem visual manusia berkisar antara panjang gelombang 400 - 700 nm. Warna hijau dengan panjang gelombang 510 nm, merah 660 nm dan biru 475 nm (Abdullateef dan Osman 2011). Setiap warna dan panjang gelombang tampak pada sistem visual manusia dapat dilihat pada Gambar 2.
4
Reflectance dan Absorbance
Objek yang mampu direpresentasikan oleh sistem visual manusia dan kamera berasal dari cahaya pantulan yang mengenai permukaan objek. Cahaya adalah merupakan salah satu bentuk energi yang mempunyai panjang gelombang tertentu. Pada saat cahaya mengenai permukaan objek, ada cahaya yang diserap oleh permukaan objek dan ada yang dipantulkan. Energi cahaya yang dipantulkan disebut dengan reflectance. Energi cahaya yang diserap oleh permukaan objek disebut dengan absorbance. Energi yang diteruskan oleh objek disebut dengan transmittance. Penjumlahan absorbance, reflectance dan transmittance berjumlah 1 (Nuayi et al. 2014). Nilai reflectance dapat dikonversi menjadi absorbance (Smith et al. 2003). Konversi nilai reflectance dilakukan dengan menggunakan Persamaan 1.
⁄ (1)
Penyerapan Energi oleh Pigmen Daun
Sistem visual merepresentasikan warna daun tumbuhan karena adanya pantulan cahaya pada daun. Warna daun yang tampak oleh sistem visual manusia disebabkan oleh pantulan cahaya yang mengenai pigmen yang terdapat pada daun. Pada daun terdapat banyak pigmen, tetapi yang paling berpengaruh pada warna daun adalah chlorophyll, carotenoid dan anthocynanin (Sevik et al. 2013). Chlorophyll dan carotenoid tidak hanya berpengaruh pada pewarnaan daun, tetapi juga merupakan pigmen penting pada proses fotosintesa (pigmen fotosintesa). Proses fotosintesa menentukan jumlah dan dan kandungan senyawa aktif yang terkandung pada tumbuhan. Semakin banyak pigmen yang terdapat pada daun maka produksi senyawa aktif akan semakin banyak.
Pigmen fotosintesa terdiri dari Chlorophyll a, Chlorophyll b dan beberapa pigmen carotenoid. Pengaruh penyerapan cahaya oleh pigmen pada daun memberikan efek spektrum cahaya pantulan yang unik. Proses fotosintesa menangkap cahaya yang energinya disimpan sebagai karbohidrat. Serangkaian transfer elektron terjadi pada membran tilakoid pada kloroplas. Di dalam kloroplas, pigmen protein kompleks berperan menjadi fotosistem. Fotosistem mengumpulkan energi cahaya dan mentransfer energi untuk pusat-pusat reaksi (Ustin et al. 2009).
Alat standar untuk mengukur penyerapan cahaya adalah spektrofotometer. Penyerapan cahaya maksimum oleh Chlorophyll a berada pada kisaran panjang gelombang 430 nm dan 662 nm. Chlorophyll b berada panjang gelombang 453 nm dan 642 nm. β-carotene berada pada panjang gelombang 451 nm dan 470 nm (Ustin et al. 2009). Pola penyerapan cahaya dari 3 pigmen ini dapat dilihat pada Gambar 3.
Transformasi Wavelet
5 pemrosesan signal dan pengolahan citra digital, serta sangat berguna untuk pemrosesan signal non-periodik (Lee dan Yamamoto 1994).
Gambar 3 Penyerapan cahaya oleh pigmen daun
Transformasi wavelet adalah pengembangan dari transformasi Fourier yang bekerja pada gelombang periodik (Sanjeevi et al. 2001). Transformasi wavelet mampu menyediakan informasi waktu dan frekuensi secara simultan. Transformasi wavelet continue dapat ditulis dengan Persamaan 2.
Persamaan 2 mengandung pengertian bahwa transformasi wavelet continue dilakukan dengan mendekomposisi fungsi/sinyal uji f(t) ke dalam basis fungsi wavelet ψs,τ(t) melalui perenggangan s dan pergeseran τ. Wavelet-wavelet lain terbentuk dari pergeseran/translasi dan peregangan/skala wavelet ψ. Fungsi wavelet dasar disebut dengan mother wavelet (Valens 1999). Mother wavelet dituliskan pada Persamaan 3.
Pada Persamaan 3, s adalah normalisasi energi pada skala yang berbeda. Wavelet dikret adalah bentuk diskret dari wavelet continue. Transformasi wavelet diskret dilakukan dengan melakukan peregangan dan translasi secara diskret. Wavelet diskret dituliskan dengan Persamaan 4.
Koefisien j dan k bertipe integer, s0>1 adalah langkah dilasi/peregangan dan
τ0 adalah langkah perpindahan/translasi yang nilainya dipengaruhi oleh langkah dilasi. Efek dari diskretisasi wavelet menghasilkan representasi waktu-skala yang disampel pada interval diskret. Nilai s0 biasanya dipilih dengan nilai 2 sehingga sampel pada bagian frekuensi berhubungan dengan diagram sampel dyadic. Nilai
τ0juga biasanya diset dengan nilai 1. Hasil transformasi menggunakan wavelet diskret menghasilkan deret koefisisien wavelet atau deret dekomposisi wavelet (Valens 1999).
6
rekonstruksi sinyal. Jika sebuah wavelet dipandang sebagai filter band-pass dan fungsi penyekala adalah filter low-pas. Deret wavelet dengan fungsi penyekala dapat dilihat sebagai sebuah filter bank (Valens 1999).
Subband coding adalah teknik yang digunakan untuk melakukan proses transformasi wavelet dengan cara memandang transformasi wavelet sebagai sebuah filter bank. Sinyal dilewatkan ke dalam filter bank. Langkah penggunaan transformasi wavelet dengan subband coding dapat dilihat pada Gambar 4.
Gambar 4 Penggunaan filter bank pada subband coding
Sinyal di-filter menggunakan filter low pass (LP) dan high-pass (HP). Masing-masing tahapan menghasilkan koefisien transformasi. Filter LP menghasilkan komponen sinyal frekuensi rendah yang dihasilkan oleh fungsi penyekala. Filter HP menghasilkan komponen sinyal frekuensi tinggi yang dihasilkan oleh fungsi wavelet (Valens 1999).
Wavelet Haar merupakan fungsi wavelet dasar yang dikemukakan oleh Alfred Haar pada tahun 1909. Wavelet Haar menggunakan analisa multi resolusi dan Discreete Wavelet Transform (DWT). Transformasi wavelet menggunakan wavelet Haar disebut dengan Discrete Haar Wavelet Transform (DHWT). Wavelet Haar dan fungsi penyekala Haar dapat dilihat pada Gambar 5.
Gambar 5 Fungsi Penyekala dan Wavelet Haar
Wavelet Daubehies adalah fungsi wavelet yang dikembangkan oleh Ingrid Daubechies. Wavelet Daubehies dibuat untuk memenuhi dukungan terhadap wavelet orthogonal. Wavelet Daubehies dibentuk agar wavelet mempunyai vanishing moment yang tertinggi A dengan panjang N=2A. Wavelet Daubehies disebut juga dengan nama DN dan dbA, dimana N digunakan untuk istilah panjang wavelet dan A berdasarkan jumlah vanishing moment-nya. Jadi db4 sama dengan D8. Jumlah solusi aljabar dari moment dan kondisi orthogonal berjumlah 2A-1.
Daubechies orthogonal D2-D20 atau db1-db10 adalah wavelet yang sering digunakan. Jumlah indeks adalah jumlah koefisien N. Setiap wavelet mempunyai jumlah vanishing moment atau sama dengan setengah dari jumlah koefisien.
7 Wavelet D2 (wavelet Haar) memiliki 1 vanishing moment, D4 memiliki 2 dan seterusnya. Vanishing moment membatasi jumlah polinomial yang dihasilkan atau informasi pada signal. D2 dengan 1 moment mampu mengkodekan polinomial dengan 1 koefisien. D4 mampu mengkodekan polinomial dengan 2 koefisien konstan dan komponen linier dari sinyal. D6 mampu mengkodekan 3 polinomial konstan, linier dan kuadratik.
Koefisien wavelet diperoleh dengan membalik urutan koefisien fungsi penyekala dan membalik tanda setiap 2 buah koefisien. Filter wavelet dan fungsi penyekala wavelet daubechies untuk N=10 dapat dilihat pada Gambar 6.
Gambar 6 Koefisien wavelet dan fungsi penyekala daubechies N=10
Wavelet symlet adalah pengembangan dari wavelet daubechies. Wavelet symlet dikembangkan untuk membangun wavelet yang lebih simetris (Kaleka dan Sharma 2012). Berbeda dengan wavelet daubechies, wavelet symlet dibentuk agar mempunyai vanishing moment terendah. Bentuk koefisien filter dari wavelet symlet untuk N=10 ditunjukkan pada Gambar 7.
Gambar 7 Koefisien wavelet dan fungsi penyekala Symlet N=10
-0.6
1 2 3 4 5 6 7 8 9 1011121314151617181920
Nilai
1 2 3 4 5 6 7 8 9 1011121314151617181920
8
Pada pengolahan citra digital transformasi wavelet dapat merepresentasikan sebuah citra digital ke dalam domain waktu dan frekuensi. Pengaruh faktor s memberikan efek zooming (memperbesar atau memperkecil). Sedangkan faktor dapat untuk memberikan efek perubahan intensitas terhadap citra tanpa menghilangkan informasi frekuensi di dalamnya. Penerapan transformasi wavelet untuk menentukan pendugaan nilai reflectance dan usia daun tanaman dapat digunakan dan sesuai dengan penelitian sebelumnya (Mansouri et al. 2008).
Probabilistic Neural Network (PNN)
Probabilistic Neural Network (PNN) merupakan JST (Jaringan Saraf Tiruan) yang dibangun berdasarkan kaidah keputusan Bayes. Donald F. Specht melakukan pengembangan pada tahun 1988. PNN menggunakan Radial Basis Function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan peubah nonlinear (Wu et al. 2007). PNN membutuhkan 1 kali iterasi untuk proses pelatihan, sehingga waktu pelatihan bisa lebih singkat jika dibandingkan dengan JST Backpropagation. PNN menggunakan struktur parallel. Penambahan dan pengurangan dataset tidak berpengaruh pada proses pembelajaran (Srinivasulu et al. 2009). PNN terdiri atas 4 lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan dan lapisan keluaran (Gambar 8). Lapisan yang menyusun PNN adalah sebagai berikut:
1. Lapisan input (input layer). Lapisan masukan menerima input x yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari n kelas. 2. Lapisan pola (pattern layer). Pada lapisan pola dilakukan perkalian titik (dot
product) antara input x dan vektor bobot xAi , yaitu ZA= x. xAi. Selanjutnya ZA
dibagi dengan bias (σ) tertentu dan kemudian dimasukkan ke dalam fungsi Parzen, yaitu g(x)=exp (-x). Dengan demikian, persamaan yang digunakan pada lapisan pola sebagai berikut:
g � exp −
(5)
dengan xAi menyatakan vektor bobot atau vektor latih kelas ke-A urutan ke-i. 3. Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan sehingga menghasilkan Population Density Function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
p ω p x|ω xAi = vektor data latih kelas A urutan ke-i
d = dimensi vektor masukan
N = jumlah pola pelatihan seluruh kelas
= faktor penghalus
9
Analysis of Variance (ANOVA)
Analysis of Variance (ANOVA) adalah analisis statistik yang digunakan untuk membedakan populasi menggunakan nilai variansi. Pada penerapannya, ANOVA menggunakan serangkaian hipotesis. Hipotesis pilihan harus memiliki tingkat kepercayaan yang baik. Umumnya tingkat kepercayaan yang digunakan bernilai 95% atau 0.05 (Lin et al. 2013). ANOVA dapat digunakan pada berbagai disiplin ilmu (Black et al. 2010). ANOVA mampu menyediakan informasi perbedaan rata-rata satu kelompok dengan kelompok yang lain dengan resiko kesalahan yang kecil.
K-fold Cross Validation
10
digunakan untuk menguji performa model (Westerhuis et al. 2008). Ilustrasi dari 3-fold cross validation ditunjukkan pada Gambar 9.
Gambar 9 3-Fold Cross Validation
Confusion Matrix
Metode confusion matrix adalah salah satu metode untuk menguji ketelitian hasil klasifikasi. Confusion matrix memiliki informasi mengenai kelas aktual dan prediksi dari suatu sistem klasifikasi (Kohavi dan Provost 1998). Metode confusion matrix menyediakan informasi yang lebih mendetail mengenai performa model klasifikasi. Informasi yang ditampilkan adalah jumlah data yang diklasifikasikan secara benar oleh model klasifikasi dan jumlah data yang terklasifikasi secara tidak benar ke dalam kelas yang lainnya. Tabel 4 adalah confusion matrix untuk masalah dua kelas, yang diberi label kelas positif (+) dan kelas negatif (-). Jumlah data yang diklasifikasikan dengan benar adalah jumlah diagonal dalam matrik, sedangkan yang lainnya adalah yang diklasifikasikan secara tidak benar (Srinivasulu et al. 2009).
Tabel 1 Confussion matrix untuk masalah klasifikasi biner Kelas prediksi
+ -
Kelas Aktual + TP FN
- FP TN
Performance metric digunakan untuk menghitung performa model klasifikasi dengan menggunakan Persamaan 7 (Srinivasulu et al. 2009).
(7)
Dengan:
1. True positive (TP) = jumlah data kelas positif yang benar diprediksi oleh model klasifikasi.
2. False negative (FN) = jumlah data kelas positif yang salah diprediksi sebagai negatif oleh model klasifikasi.
3. False positive (FP) = jumlah data kelas negatif yang salah diprediksi sebagai positif oleh model klasifikasi.
11
3
METODE PENELITIAN
Prosedur penelitian dilakukan dengan tiga proses besar yaitu: pendugaan nilai reflectance, pendugaan pigmen dan pendugaan usia daun. Tahapan dari masing masing proses dapat dilihat pada Gambar 10.
Estimasi nilai Reflectance
Pendugaan Kandungan Pigmen dan Usia Daun
Gambar 10 Tahapan penelitian
Pengambilan Data
Bahan yang digunakan adalah 46 daun tanaman obat, 10 daun Jati Belanda dan 600 daun Jati Belanda yang terdiri dari usia 1, 2, dan 3 bulan. Bahan diperoleh dari Unit Konservasi dan Budidaya Pusat Studi Biofarmaka LPPM IPB. Daun tanaman obat terdiri dari 23 daun usia muda dan 23 daun usia tua. Akuisisi data dilakukan menggunakan alat spektrofotometer dan kamera digital.
12
spektrum reflectance pada setiap akuisisi terdiri dari 515 spektrum. Spektrum reflectance disimpan pada komputer melalui media koneksi usb.
Akuisisi reflectance 46 daun tanaman obat menghasilkan 276 spektrum reflectance. Akuisisi reflectance 10 daun Jati Belanda menghasilkan 10 spektrum reflectance. Akuisisi reflectance 600 daun Jati Belanda menghasilkan 600 spektrum reflectance daun Jati Belanda usia 1, 2 dan 3 bulan. Ilustrasi akuisisi reflectance untuk 1 buah daun dari 46 daun tanaman obat menggunakan spektrofotometer dapat dilihat pada Gambar 11.
Kamera Canon dengan resolusi 8 Mp digunakan untuk memperoleh data citra digital. Akuisisi dilakukan di dalam kotak dengan lampu tungsten 15 Watt sebagai sumber pencahayaan. Setiap daun yang dikumpulkan diletakan di dalam kotak dengan latar belakang putih secara bergantian. Akuisisi citra daun dilakukan pada jarak 50 cm dan tegak lurus dari sumber cahaya. Pengambilan data dilakukan di dalam kotak bertujuan untuk meminimalkan efek pencahayaan luar dan menghasilkan efek pencahayaan yang homogen. Proses pengambilan data citra digital ditunjukkan pada Gambar 12.
Gambar 12 Proses pengambilan data citra digital.
Ukuran citra hasil akuisisi kamera adalah 3888 x 2592 px. Akuisisi citra menggunakan kamera digital menghasilkan data 46 citra daun tanaman obat, 10 citra daun Jati Belanda dan 600 citra daun Jati Belanda usia 1, 2 dan 3 bulan. Hasil akuisisi data 46 daun tanaman obat dapat dilihat pada Lampiran 1. Data 10 daun Jati Belanda dan 600 daun Jati Belanda usia 1, 2 dan 3 bulan adalah dataset uji untuk estimasi reflectance dan pendugaan usia daun.
Enam titik tempat pengambilan nilai Reflectance
13
Praproses
Praproses bertujuan untuk memisahkan data dari bagian yang tidak digunakan. Data citra digital dibersihkan dari data yang tidak digunakan dengan melakukan pemotongan (cropping) manual pada wilayah yang sama dengan tempat pengambilan reflectance. Ukuran citra hasil pemotongan adalah 100 x 100 piksel. Setiap satu piksel terdiri dari 3 komponen (RGB). Tahapan praproses dapat dilihat pada Gambar 13.
Gambar 13 Tahap praproses.
Citra hasil crop diproses sehingga diperoleh sebuah piksel yang mewakili wilayah pengambilan reflectance menggunakan proses rata-rata dari masing-masing komponen warna pada wilayah pengambilan data reflectance. Sebagai ilustrasi akan digunakan data 46 daun tanaman obat. Ilustrasi pengambilan reflectance dan piksel RGB dapat dilihat pada Gambar 14.
Data reflectance dan citra digital 46 daun tanaman obat yang berjumlah 276 dikenakan proses rata-rata sehingga diperoleh 1 buah nilai reflectance untuk setiap daun. Reflectance 46 daun tanaman obat yang telah dikenakan proses rata-rata selanjutnya disebut dataset 46. Reflectance 46 daun tanaman obat yang
Citra Asli Daerah crop Hasil crop
Daun 46 Daun 2 Daun 1
6 Reflectance515 6RGB13
6 Reflectance515 6RGB23
6 Reflectance515 6RGB463
276 Reflectance 515 276RGB3
14
berjumlah 276 reflectance disebut dengan dataset 276. Ilustrasi pengambilan rataaan spektrum reflectance dan RGB dapat dilihat pada Gambar 15.
Proses rata-rata pada wilayah pengambilan reflectance pada citra daun tidak terlalu berpengaruh terhadap keragaman nilai piksel karena daun yang digunakan berada pada wilayah warna hijau. Proses rata-rata diharapkan mampu menghasilkan ukuran data yang lebih kecil yang berpengaruh pada waktu proses. Pada penelitian ini waktu proses tidak akan dibahas karena tujuan penelitian adalah membentuk model estimasi reflectance terbaik.
Estimasi Spektrum Reflectance
Estimasi spektrum reflectance adalah proses untuk menentukan model reflectance terbaik dari citra daun Jati Belanda. Proses estimasi spektrum reflectance dari citra digital dilakukan menggunakan formula 8 (Mansouri et al. 2008).
(8)
(9)
Dimana:
= reflectance rekonstruksi r = nilai dataset reflectance B = fungsi basis wavelet S = sensitivitas kamera d = matriks RGB citra
Fungsi basis wavelet diperoleh dengan cara mendekomposisi data reflectance dari 46 daun tanaman obat (dataset 46 dan 276). Fungsi basis wavelet selanjutnya dipilih berdasarkan persentase energi koefisien wavelet terbesar. Fungsi basis wavelet mengandung informasi penting yang tedapat pada spektrum reflectance dari 46 daun tanaman obat. Transformasi wavelet diterapkan untuk
Keenam titik
15 mencari informasi penting pada reflectance menggunakan filter Haar, Daubechies (dbN) dan Symlet (symN). Nilai N yang digunakan adalah 1, 5 dan 10 dengan penerapan level dekomposisi 1 sampai 3. Percobaan menggunakan filter yang berbeda bertujuan untuk menentukan filter dan level terbaik dalam membentuk model estimasi reflectance terbaik.
Model polinomial diterapkan untuk meningkatkan jumlah penciri citra digital sehingga diperoleh ciri citra digital yang lebih representatif untuk membentuk model reflectance terbaik. Ekspansi ciri citra digital menggunakan model polinomial dapat dilihat pada Tabel 2.
Tabel 2 Model Polinomial Orde Terms Model Polinomial
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
Masing-masing orde polinomial meningkatkan jumlah penciri citra digital sesuai dengan jumlah terms yang dihasilkan. Model reflectance 10 citra daun Jati Belanda terbaik selanjutnya digunakan untuk menduga reflectance dari citra daun Jati Belanda usia 1, 2 dan 3 bulan.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Ilustrasi estimasi spektrum reflectance 10 daun Jati Belanda menggunakan dataset 46 daun tanaman obat dapat dilihat pada Gambar 16.
Reflectance 46 daun tanaman obat didekomposisi menggunakan dekomposisi wavelet. Dekomposisi wavelet menghasilkan komponen frekuensi tinggi dan komponen frekuensi rendah. Komponen frekuensi rendah adalah
Dekomposisi
16
merupakan bagian informasi penting yang terdapat pada spektrum reflectance. Fungsi basis wavelet dipilih berdasarkan prosentase energi terbesar dari komponen frekuensi rendah. Basis fungsi diolah menggunakan formula estimasi reflectance untuk menentukan reflectance dari citra 10 daun Jati Belanda. Reflectance asli dan rekonstruksi dievaluasi menggunakan RMSE dan GFC untuk menentukan model reflectance yang terbaik.
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Ilustrasi estimasi spektrum reflectance 10 daun Jati Belanda menggunakan dataset 276 daun tanaman obat dapat dilihat Gambar 17.
Reflectance 276 daun tanaman obat didekomposisi menggunakan dekomposisi wavelet. Dekomposisi wavelet menghasilkan komponen frekuensi tinggi dan komponen frekuensi rendah. Komponen frekuensi rendah adalah merupakan bagian informasi penting pada spektrum reflectance. Fungsi basis wavelet dipilih berdasarkan persentae energi terbesar dari komponen frekuensi rendah. Basis fungsi diolah menggunakan formula estimasi reflectance untuk menentukan reflectance dari citra 10 daun Jati Belanda. Reflectance asli dan rekonstruksi dievaluasi menggunakan RMSE dan GFC untuk menentukan model reflectance yang terbaik.
Penentuan dataset terbaik sebagai model estimasi
Tahapan ini bertujuan untuk mengevaluasi nilai reflectance estimasi dengan reflectance asli. Metode evaluasi yang digunakan adalah GFC dan RMSE. Formula GFC dan RMSE dituliskan pada persamaan 10 dan 11.
|∑ |
17
√∑ (11)
Dimana:
s : spektrum original
sr : adalah spektrum rekonstruksi : panjang spektrum
n : jumlah kanal.
i : indeks kanal dengan nilai 1 sampai n jumlah kanal.
GFC mengevaluasi kemiripan reflectance data latih dengan reflectance hasil model. RMSE digunakan untuk mencari nilai error antara reflectance asli dengan reflectance hasil model estimasi. Dataset terbaik diperoleh dengan kriteria kesalahan minimum dengan kemiripan besar.
Pendugaan Kandungan Pigmen dan Usia Daun
Model reflectance terbaik telah diperoleh pada proses sebelumnya. Model reflectance terbaik digunakan untuk mencari nilai reflectance dari citra daun Jati Belanda usia 1, 2 dan 3 bulan. Nilai reflectance estimasi citra daun Jati Belanda usia 1, 2 dan 3 bulan selanjutnya digunakan untuk menentukan kandungan pigmen dan usia daun. Pigmen yang terdapat pada daun dapat diketahui melalui nilai absorbance. Nilai absorbance diperoleh dari konversi nilai estimasi reflectance citra daun Jati Belanda usia 1, 2 dan 3 bulan dengan menggunakan Persamaan 1. Kandungan pigmen yang terdapat pada daun mampu mengindikasikan kadar senyawa aktif di dalamnya.
Pendugaan absorbance pada pigmen utama daun
Proses pendugaan nilai absorbance adalah proses konversi nilai reflectance menjadi absorbance sehingga kandungan pigmen penting pada daun dapat diketahui. Pigmen penting adalah pigmen yang berperan penting pada proses fotosintesa. Pigmen penting yang akan dibahas adalah Chlorophyll a, Chlorophyll b dan β-carotene. Absorbance maksimum pada Chlorophyll a berada pada panjang gelombang 430 nm dan 662 nm. Chlorophyll b berada panjang gelombang 453 nm dan 642 nm. β-carotene berada pada panjang gelombang 451 nm dan 470 nm (Ustin et al. 2009).
Pendugaan usia daun tanaman
Proses pendugaan usia daun tanaman bertujuan untuk mengklasifikasikan citra daun menggunakan PNN. Citra daun Jati Belanda usia 1, 2 dan 3 bulan di estimasi nilai reflectance-nya. Reflectance daun Jati Belanda usia 1, 2, dan 3 bulan dikenakan operasi 5-Fold Cross Validation untuk memperoleh sampel data latih dan data uji yang mampu merepresentasikan keseluruhan data. Proses pembagian data latih dan data uji menggunakan 5-Fold cross validation dapat dilihat pada Tabel 3.
18
200 buah sehingga setiap partisi terdiri dari 160 data latih dan 40 data uji. Hasil ekstraksi data latih dan data uji digunakan untuk membuat model klasifikasi yang terbaik. Penentuan hasil klasifikasi ditentukan oleh nilai peluang maksimum yang mengarah ke salah satu usia. Evaluasi performa model klasifikasi didasarkan pada banyaknya data uji yang diprediksi benar oleh model.
Tabel 3 Pembagian data latih dan data uji dengan 5-fold cross validation Percobaan Data latih Data uji
19
4
HASIL DAN PEMBAHASAN
Estimasi Spektrum Reflectance
Dataset yang digunakan adalah dataset 46 dan dataset 276. Setiap dataset menghasilkan reflectance estimasi menggunakan persamaan 8. Pemilihan model polinomial dan fungsi wavelet yang paling sesuai, diterapkan untuk menghasilkan model estimasi reflectance yang terbaik.
Wavelet mendekomposisi spektrum reflectance pada setiap dataset menggunakan 7 wavelet dan 3 level dekomposisi. Dekomposisi menghasilkan komponen frekuensi tinggi dan komponen frekuensi rendah. Komponen yang dipilih adalah komponen frekuensi rendah karena sifat reflectance yang halus (Mansouri et al. 2008). Basis fungsi dipilih berdasarkan energi relatif terbesar dari komponen frekuensi rendah.
Nilai sensitifitas kamera diperoleh menggunakan Persamaan 9. Matriks RGB kamera diekspansi menggunakan model polinomial dengan 3 orde. Komponen untuk membentuk model estimasi reflectance sudah terpenuhi. Nilai estimasi reflectance diproses mengunakan Persamaan 8 menggunakan 2 buah dataset.
Estimasi spektrum reflectance dengan dataset 46 daun tanaman obat
Estimasi spektrum reflectance diperoleh dengan Persamaan 8. Analisa spektrum estimasi dengan spektrum reflectance asli (original) menggunakan model RMSE dan GFC. GFC digunakan untuk mengukur tingkat kemiripan sinyal. RMSE mengukur kesalahan keluaran model estimasi dengan reflectance asli. Hasil estimasi spektrum reflectance menggunakan dataset 46 diperlihatkan pada Tabel 4. Hasil estimasi spektrum reflectance terbaik menggunakan dataset 46 diperlihatkan pada Gambar 18.
Tabel 4 Nilai error dan GFC menggunakan dataset 46 Orde 1 Orde 2 Orde 3
RMSE 8.65 11.08 9.41
GFC 0.87 0.95 0.98
Wavelet haarlvl4 db5lvl3 db10lvl3
Penggunaan model polinomial tidak berpengaruh terhadap penurunan nilai RMSE, tetapi berpengaruh terhadap peningkatan nilai GFC. Nilai GFC meningkat seiring peningkatan orde polinomial yang digunakan. Penggunaan polinomial orde 1 menghasilkan error dan GFC terkecil sebesar 8.65 dan 0.87. Nilai GFC terbesar terdapat pada penggunaan polinomial orde 3 sebesar 0.98.
20
Estimasi spektrum reflectance dengan dataset 276 daun tanaman obat
Estimasi spektrum reflectance diperoleh dengan Persamaan 8. Analisa spektrum estimasi dengan spektrum reflectance asli (original) menggunakan model RMSE dan GFC. GFC digunakan untuk mengukur tingkat kemiripan sinyal. RMSE mengukur kesalahan keluaran model estimasi dengan reflectance asli. Hasil estimasi spektrum reflectance menggunakan dataset 276 diperlihatkan pada Tabel 5. Hasil estimasi spektrum reflectance terbaik menggunakan dataset 276 diperlihatkan pada Gambar 19.
Tabel 5 Nilai error dan GFC menggunakan dataset 276 Orde 1 Orde 2 Orde 3
RMSE 3.89 6.62 9.77
GFC 0.99 0.92 0.83
Wavelet Haarlvl3 Haarlvl5 Haarlvl5
Penerapan model polinomial pada penggunaan dataset 276 berpengaruh terhadap nilai RMSE dan GFC. Nilai GFC berkurang seiring pertambahan orde polinomial yang digunakan. Nilai error bertambah seiring penambahan orde polinomial yang digunakan. Nilai error terkecil berada pada penerapan polinomial orde 1 atau sama dengan citra tanpa pemrosesan model polinomial. Nilai error terkecil berada pada penerapan model polinomial orde 1 sebesar 3.89 dengan nilai GFC terbesar dengan nilai 0.99. Penerapan polinomial orde 1 pada citra digital paling mampu dalam mengestimasi reflectance daun Jati Belanda dengan baik. Penambahan ciri pada penerapan model polinomial belum mampu mengestimasi reflectance citra daun Jati Belanda secara lebih baik.
Dari Tabel 5 dapat disimpulkan bahwa penggunaan dataset 276 dan penerapan model polinomial orde 1 menghasilkan nilai estimasi terbaik, dilihat dari error terkecil dan GFC terbesar. Hasil pengujian lengkap penggunaan wavelet
0
21 dapat dilihat pada Lampiran 2, dan rekapitulasi RMSE dan GFC dapat dilihat pada Lampiran 3.
Penentuan dataset terbaik sebagai model estimasi
Penentuan dataset terbaik didasarkan pada nilai RMSE dan GFC dari masing-masing dataset. Hasil pengujian estimasi reflectance menggunakan dataset 46 dan 276 daun tanaman obat dapat dilihat pada Gambar 20.
(a)
(b)
Gambar 20 Hasil pengujian estimasi reflectance daun Jati Belanda (a) Nilai error spektrum rekonstruksi
(b) Nilai GFC spektrum rekonstruksi. 0
22
Pada Gambar 20 terlihat error estimasi reflectance terkecil dihasilkan oleh dataset 276 dengan penerapan model polinomial orde 1. Penggunaan model polinomial pada dataset 276 tidak menurunkan error dan tidak memperbesar nilai GFC. Dataset terbaik ditentukan berdasarkan pada nilai RMSE dan GFC.
Dataset terbaik adalah dataset 276 dengan penerapan model polinomial orde 1. Nilai GFC terbesar dan nilai error terkecil dihasilkan oleh dataset 276 orde 1. Error estimasi reflectance bernilai 3.89 dan GFC terbesar bernilai 0.99 pada penerapan dekomposisi wavelet Haar dekomposisi level 3. Perbandingan reflectance rekonstruksi dengan reflectance asli daun Tanaman Obat dapat dilihat pada Gambar 21. Hasil rekapitulasi RMSE dan GFC dapat dilihat pada Lampiran 3.
Gambar 21 Perbandingan spektrum reflectance rekonstruksi dengan spektrum reflectance asli Daun Tanaman Obat
Dekomposisi wavelet Haar level 3 pada dataset 276 orde 1 menghasilkan hasil yang baik. Spektrum original dan rekonstruksi relatif sama. Pada rentang warna hijau (492-577 nm), sinyal original dan estimasi cenderung mirip dengan nilai error 0.0198. Spektrum warna selain hijau menghasilkan error 0.0493 (400-492 nm) dan 0.0228 (577-700 nm). Hal ini mengindikasikan bahwa warna yang dihasilkan dari spektrum reflectance berkisar pada warna hijau. Warna daun Jati Belanda terletak di sekitar spektrum warna hijau yang sama dengan warna daun yang diinterpretasikan oleh sistem visual manusia.
Analisa wavelet terbaik
23 (Mansouri et al. 2008), filter yang ringkas mampu menganalisa reflectance secara lebih presisi.
Tabel 6 Nilai error dan GFC rata-rata fungsi wavelet untuk semua level pada dataset 276
Haar db5 db10 sym5 sym10 Rata-rata RMSE Semua Level 37.72 95.26 951.03 146.77 1266.45 Rata-rata GFC Semua Level 0.90 0.90 0.91 0.86 0.88
Haar menghasilkan nilai error rata-rata terkecil untuk semua level dan model polinomial. Nilai rata-rata GFC untuk semua level wavelet dan model polinomial yang dihasilkan wavelet Haar hanya berselisih 0.01 dari nilai GFC terbesar yang dihasilkan wavelet db10. Hal ini menandakan wavelet Haar mempunyai performa yang terbaik pada penggunaan dataset 276. Tabel 6 menunjukkan filter Haar yang pendek mampu untuk meminimalkan error dan memaksimalkan GFC.
Pendugaan Kandungan Pigmen dan Usia Daun
Daun Jati Belanda yang berusia 1, 2 dan 3 bulan direkonstruksi nilai reflectance-nya menggunakan model reflectance terbaik yang telah didapatkan dari tahapan estimasi reflectance. Gambar 22 menunjukkan spektrum reflectance rekonstruksi daun Jati Belanda usia 1, 2 dan 3 bulan.
Pendugaan Absorbance pada Kandungan Pigmen Utama Daun
Pendugaan kandungan pigmen penting Chlorophyll dan carotene dapat ditentukan berdasarkan nilai absorbance-nya. Nilai absorbance diperoleh dari konversi nilai reflectance ke dalam spektrum absorbance menggunakan Persamaan 1. Hasil konversi spektrum reflectance menjadi spektrum absorbance dapat dilihat pada Gambar 23.
24
Gambar 23 Spektrum absorbance daun Jati Belanda usia 1, 2 dan 3 bulan.
Pada Gambar 23 terlihat spektrum reflectance masing-masing daun usia 1, 2 dan 3 bulan memiliki pola yang relatif sama. Jenis kandungan senyawa pada daun Jati Belanda relatif sama. Perbedaannya berada pada jumlah cahaya yang diserap oleh kandungan pigmen yang terdapat pada daun (Purnamasari 2013). Puncak-puncak gelombang menandakan jumlah penyerapan energi cahaya oleh pigmen atau senyawa kimia pada daun. Semakin tinggi puncak gelombang, maka tingkat penyerapan energi cahaya semakin besar (Mala 2003). Semakin besar tingkat penyerapan maka semakin besar kandungan senyawa aktif yang terdapat pada daun.
Penelitian yang lain menyebutkan penyerapan cahaya maksimal oleh Chlorophyll a terjadi pada panjang gelombang 430 dan 662 nm. Chlorophyll b pada panjang gelombang 453 and 642 nm. β-carotene pada panjang gelombang 451 and 470 nm (Ustin et al. 2009). Hal ini mengindikasikan bahwa terjadi 2 buah puncak gelombang serapan. Pada gambar 23 terlihat puncak gelombang terjadi pada 2 wilayah yaitu pada kisaran panjang gelombang 400-500 nm dan 600-700 nm yang mengindikasikan kesesuaian dengan penelitian sebelumnya.
Penyerapan maksimum oleh pigmen Chlorophyll a terjadi pada puncak gelombang tertinggi yaitu pada panjang gelombang 665.63 nm yang berada pada kisaran warna merah. Penyerapan maksimum Chlorophyll b terdapat pada panjang gelombang 453.60 dan 642.33 nm. Penyerapan maksimum pigmen Carotene tercatat pada panjang 451.26 dan 469.32 nm. Pigmen Chlorophyll adalah pigmen yang berwarna hijau, sehingga spektrum absorbance pada rentang warna hijau bernilai kecil. Spektrum absorbance carotene tersebar pada wilayah spektrum warna biru. Gambar 24 memperlihatkan penyerapan pigmen dan senyawa aktif berdasarkan hasil penelitian yang telah dikerjakan.
25
Gambar 24 Penyerapan senyawa aktif pada daun Jati Belanda Usia 1, 2 dan 3 bulan
Gambar 24 menujukkan hubungan antara penyerapan cahaya oleh pigmen penting fotosintesa dengan hasil pengujian yang telah dikerjakan. Perbandingan penyerapan cahaya oleh pigmen utama pada masing-masing usia daun dapat dilihat pada Gambar 25.
Gambar 25 Perbandingan absorbance pigmen utama daun berdasarkan usia daun 1, 2 dan 3 bulan
0
1 bulan 2 bulan 3 bulan
26
Pada Gambar 25 terlihat semakin tua usia daun maka nilai absorbance semakin meningkat sehingga kandungan pigmen semakin besar. Semakin besar kandungan pigmen maka semakin besar pula kandungan senyawa aktif yang terkandung pada daun. Untuk melihat pengaruh absorbance terhadap usia daun Jati Belanda dapat digunakan analisis ANOVA. Hasil analisis ANOVA dapat dilihat pada Tabel 7.
Tabel 7 Analisis Keragaman ANOVA terhadap daya absorbance pigmen utama daun Jati Belanda
Kuadrat F-Hitung P-value F-Tabel
Antar Kelompok 0.02950 2 0.01475 91.997 1.42984E-18 3.15884
Dalam Kelompok 0.00914 57 0.00016
Jumlah 0.03864 59
Pada Tabel 7 terlihat F-Hitung > F-Tabel dengan tingkat kepercayaan 5%. Kesimpulan yang ditarik adalah tolak H0. Karena H0 ditolak maka dapat ditentukan bahwa usia daun Jati Belanda berpengaruh terhadap daya absorbance pigmen utama daun. Analisis ANOVA satu arah hanya menyediakan informasi tentang ada atau tidaknya kaitan antara data dalam kelompok yang sama dengan kelompok yang lain. Untuk mengetahui kualitas hubungan pigmen antara satu kelompok dengan kelompok yang lain secara lebih mendalam digunakan analisis lanjutan menggunakan Least Significance Different (LSD). Hasil uji LSD ditunjukkan pada Tabel 8.
Tabel 8 Hasil uji lanjutan menggunakan Uji LSD Usia Rata-Rata Usia
Rata-Berdasarkan Tabel 8, diperoleh kesimpulan antara lain:
27
Pendugaan Usia Daun
Model klasifikasi PNN digunakan untuk menduga usia daun Jati Belanda menggunakan data reflectance dari 600 citra daun Jati Belanda yang terdiri dari usia 1, 2 dan 3 bulan. Citra yang dikumpulkan dari masing-masing kelompok usia berjumlah 200 buah. Proses estimasi reflectance dilakukan pada 600 citra daun Jati Belanda. Nilai estimasi reflectance dari daun Jati Belanda usia 1, 2 dan 3 bulan dibagi menjadi data latih dan data uji menggunakan K-fold cross validation. Pemilihan K=5 cukup proporsional dan mampu merepresentasikan data dengan baik. Prosentase data latih dan data uji adalah 80% dan 20% dari masing-masing kategori usia sehingga data latih keseluruhan berjumlah 480 dan data uji keseluruhan berjumlah 120. Masing-masing kombinasi data latih dan data uji hasil 5-fold cross validation dimasukkan ke dalam model klasifikasi PNN. Parameter bias yang digunakan adalah 0.1-0.9 (Mishra et al. 2013). Performa klasifikasi PNN menggunakan 5-fold cross validation menghasilkan performa paling baik dengan bias 0.9. Performa PNN ditunjukkan pada Tabel 9.
Tabel 9 Akurasi identifikasi usia daun Jati Belanda
fold Akurasi penggunaan data latih dan data uji yang berasal dari fold 1 dengan akurasi 81.67 %. Fold 1 digunakan untuk proses klasifikasi PNN. Hasil identifikasi daun Jati Belanda menggunakan fold 1 dapat dilihat pada Lampiran 4.
Confussion matrix (Kohavi dan Provost 1998) (Srinivasulu et al. 2009) digunakan untuk menguji performa model klasifikasi yang digunakan. Hasil confussion matrix dari fold 1 diperlihatkan pada Tabel 10.
Tabel 10 Confussion Matrix pendugaan usia daun dengan fold 1 Usia daun Jati Belanda Kelas Prediksi Total
1 Bulan 2 Bulan 3 Bulan Kelas Sebenarnya
1 Bulan 35 4 1 40
2 Bulan 6 31 3 40
3 Bulan 6 2 32 40
28
Gambar 26 Perbandingan reflectance daun 2 bulan yang terklasifikasi benar dan yang terklasifikasi sebagai 1 bulan dan 3 bulan
Perbandingan reflectance daun 2 bulan yang terklasifikasi benar dengan yang terklasifikasi sebagai 1 bulan dan 3 bulan menunjukkan perbedaan yang tidak terlalu besar. Hasil yang lebih jelas dapat dilihat pada Tabel 11, yang sesuai dengan hasil prediksi PNN menggunakan fold 1 pada Tabel 10. Performa identifikasi masing-masing kelompok usia daun Jati Belanda berdasarkan nilai hasil Confussion Matrix dengan fold 1 dapat dilihat pada Tabel 11.
Tabel 11 Akurasi identifikasi usia daun Jati Belanda Usia Daun Jati Belanda Akurasi
1 Bulan 87.5%
2 Bulan 77.5%
3 Bulan 80.0%
Rata-rata 81.67%
Hasil estimasi reflectance daun Jati Belanda usia 1 bulan diklasifikasikan dengan akurasi atau nilai kebenaran paling tinggi yaitu 87.5%. Rata-rata akurasi untuk semua kelompok usia daun Jati Belanda sebesar 81.67%. Tabel 12 menunjukkan perbedaan warna antara data yang terklasifikasi secara benar dengan yang terklasifikasi secara salah. Daun 3 bulan memiliki warna yang lebih gelap dari pada daun 1 bulan dan 2 bulan. Daun yang terklasifikasi secara tidak benar dapat disebabkan pengaruh faktor penentu kualitas senyawa akitf yang dihasilkan tumbuhan (Singh et al. 2010).
29 Tabel 12 Contoh Citra Hasil Klasifikasi PNN menggunakan fold 1
Usia daun Jati Belanda Kelas Prediksi
1 Bulan 2 Bulan 3 Bulan
Kelas Sebenarnya
1 Bulan
2 Bulan
30
5
SIMPULAN DAN SARAN
Simpulan
Penggunaan dataset 276 daun tanaman obat, model polinomial orde 1 dan dekomposisi wavelet Haar level 3 menghasilkan nilai estimasi spektrum reflectance terbaik dari citra daun Jati Belanda. Hasil evaluasi menghasilkan nilai RMSE dan GFC sebesar 3.89 dan 0.99. Penggunaan polinomial orde 1 dipilih karena penggunaan orde polinomial yang lain menghasilkan nilai RMSE yang lebih besar dan GFC yang lebih kecil pada penggunaan Dataset 276.
Nilai absorbance hasil konversi spektrum reflectance daun Jati Belanda usia 1, 2 dan 3 bulan terbesar diperoleh pada daun Jati Belanda usia 3 bulan dengan nilai 0.87. Hasil uji ANOVA terhadap nilai absorbance diperoleh kesimpulan bahwa usia daun Jati Belanda berpengaruh terhadap daya absorbance pigmen utama daun. Pigmen chlorophyll a paling besar pada kisaran panjang gelombang 665.63 nm. Uji LSD menghasilkan perbedaan yang signifikan antara daun Jati Belanda usia 1, 2 dan 3 bulan. Klasifikasi PNN menghasilkan nilai akurasi sebesar 73.50 %.
Saran
31
DAFTAR PUSTAKA
Abdullateef RA dan Osman M. 2011. Effects of Visible Light Wavelengths on Seed Germinability in Stevia Rebaudiana Bertoni. International Journal of Biology. 3(4):83-87.
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(2):312-316.
Artail HA, Asadi H, Koleilat W, Chehab A. 2004. Applications of a Spreadsheet-based Wavelet Analysis Toolbox in Education. Int. J.Engng Ed. 20(6):920-927 Black G, Ard D, Smith J and Schibik. 2010. The impact of the Weibull
distribution on the performance of the single-factor ANOVA model. International Journal of Industrial Engineering Computations . 1(2) :185–198 Choudhary N dan Sekhon BS. 2011. An overview of advances in the
standardization of herbal drugs. J Pharm Educ Res. 2(2):55-70.
Herdiyeni Y, Azizah N, Heryanto R. 2014. Spectral Reflectance Estimation Based on Leaf Digital Image using Wiener Estimation for Sambiloto Leaf Age Prediction. The 8th International Conference on Information and Communication Technology and Systems. Symlets and Bior wavelets on Image compression using Discrete Wavelet Transform. International Journal of Computers & Distributed Systems. 1(2):11-16.
Khurge DS, Peswani B. 2014. Modifying Image Appearance For Improvement In Information Gaining For Colour Blinds. International Journal for Scientific Research & Development (IJSRD). 1(12): 2321-0613.
Mala D.M. Pendugaan Kadar Air, Karbohidrat, Protein dan Lemak Tepung (Zea mays) dengan Teknologi Near Infrared [Skripsi]. Bogor [ID]: Fakultas Teknologi dan Pertanian. Institut Pertanian Bogor.
Mansouri A, Sliwa T, Hardeberg JY, Voisin Y. 2008. Representation and Estimation of Spectral Reflectances Using Projection on PCA and Wavelet Bases. Wiley Periodical Inc. 33(6):485-493.
Mishra M, Ranjan A, Jena, Das R. 2013. Probabilistic Neural Network Approach For Classification Of Vehicle. IJAIEM. 2(7):367-371.
32
Mulyani S dan Toga L. 2011. Analisis Flavonoid Dan Tannin Dengan Metoda Mikroskopi mikrokimiawi. Majalah Obat Tradisional. 16(3):109–114
Nuayi AW, Alatas H, Husein IS, Rahmat M. 2014. Enhancement of Photon Absorption on BaxSr1-xTiO3 Thin-Film Semiconductor Using Photonic Crystal. International Journal of Optics. 2014 (534145):1-8 .http://dx.doi.org/10.1155/2014/534145
Kohavi R dan Provost F, 1998, Glossary of Terms. Editorial for the Special Issue on Applications of Machine Learning and the Knowledge Discovery Process 30(2/3).
Purnamasari A. 2013. Kendali Mutu Daun Sambiloto (Andrographis Paniculata) Menggunakan Pengolahan Citra Dan Teknik Pengenalan Pola Secara Kemometrik [Skripsi]. Bogor[ID]: Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Sanjeevi S, Vani K. and Lakshmi K. 2001. Comparison of conventional and wavelet transform techniques for fusion of iris-1c liss-III and Panimages. 22nd Asian conference on remote sensing.
Setiawan S. 2008. Identifikasi Golongan Flavonoid Daun Jati Belanda Berpotensi Antioksidan. Bogor[ID]: Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Sevik H, Karakas H, Karaca U. 2013. Color – Chlorophyll Relationship of Some Indoor Ornamental Plantsity. IJESRT (International Journal Of Engineering Sciences & Research Technology). 2(7): 2277-9655
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(2):134-141. DOI: 10.3109/13880200903059388 Smith ML, Martin ME, Plourde L, Ollinger SV. 2003. Analysis of Hyperspectral
Data for Estimation of Temperate Forest Canopy Nitrogen Concentration: Comparison Between an Airborne (AVIRIS) and a Spaceborne (Hyperion) Sensor. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, 41(6): 1332- 1337.
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. Tabakov SD. 2013. Introduction To Vision, Colour Models and Image
Compression. di dalam : Medical Physics International Journal, 1(1):50-55. Ustin SL, Gitelson AA, Jacquemoud S, Schaepman M, Asner GP, Gamon JA,
Tejada PB. 2009. Retrieval of foliar information about plant pigment systems from high resolution spectroscopy. Elsevier Inc. doi:10.1016/j.rse.2008.10.019 Valens. 1999. A Really Friendly Guide to Wavelets.
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. 2008(4):81–89. doi: 10.1007/s11306-007-0099-6. Wu SG, Bao FS, Xu EY, Wang Y, Chang Y. Xiang Q. 2007. A leaf recognition
33 Lampiran 1 Data latih 46 Daun Tanaman Obat untuk pembentukan Model Basis
No Nama
Daun Daun Muda Daun Tua
1 Dudang Kayu
2 Remak Daging
3 Sambang Dara
4 Sirih
5 Jinten
6 Daun Iler
7 Jeruk Lemon
8 Daun
34
No Nama
Daun Daun Muda Daun Tua
9
Handeleu m/ Daun Ungu
10 Jawer Kotok
11 Bidani
12 Tabat Barito
13 Alamanda
14 Jati Belanda
15 Landep
16 Sambiloto
35
No Nama
Daun Daun Muda Daun Tua
18 Salam
19
Nona Makan
Sirih
20
Keji Beling
Ungu
21 Ganda Rusa
22 Bangun
23
36
42
No Dataset Lev. Wavelet Pol. Order
Rata2 GFC
Rata2 RMSE
Keterangan
267 276 6 sym1 3 0.83 127.12
268 276 6 sym5 1 0.81 17.70
269 276 6 sym5 2 0.89 89.70
270 276 6 sym5 3 0.78 77.49
271 276 6 sym10 1 0.98 156.13
272 276 6 sym10 2 0.93 822.96
273 276 6 sym10 3 0.86 131.52
274 276 7 Haar 1 0.87 10.07
275 276 7 Haar 2 0.87 20.69
276 276 7 Haar 3 0.88 24.15
277 276 7 db1 1 0.87 10.07
278 276 7 db1 2 0.87 20.69
279 276 7 db1 3 0.88 24.15
280 276 7 db5 1 0.94 25.51
281 276 7 db5 2 0.93 47.14
282 276 7 db5 3 0.89 75.19
283 276 7 db10 1 0.80 409.66
284 276 7 db10 2 0.94 137.34
285 276 7 db10 3 0.87 73.42
286 276 7 sym1 1 0.87 10.07
287 276 7 sym1 2 0.87 20.69
288 276 7 sym1 3 0.88 24.15
289 276 7 sym5 1 0.85 23.42
290 276 7 sym5 2 0.83 629.64
291 276 7 sym5 3 0.78 66.29
292 276 7 sym10 1 0.95 7.67
293 276 7 sym10 2 0.87 1175.26
43 Lampiran 3 Rekap Estimasi Reflectance Berdasarkan RMSE dan GFC
44
46
Daun 1 Bulan 2 Bulan 3 Bulan
Daun 93 3
Daun 94 3
Daun 95 3
Daun 96 3
Daun 97 3
Daun 98 3
Daun 99 1
Daun 100 3
Daun 101 3
Daun 102 3
Daun 103 3
Daun 104 3
Daun 105 3
Daun 106 3
Daun 107 3
Daun 108 3
Daun 109 3
Daun 110 3
Daun 111 3
Daun 112 3
Daun 113 3
Daun 114 3
Daun 115 3
Daun 116 3
Daun 117 1
Daun 118 3
Daun 119 3
47
