PENDUGAAN
REFLECTANCE
BERDASARKAN CITRA
DIGITAL MENGGUNAKAN
PRINCIPAL
COMPONENT
ANALYSIS
UNTUK MENDUGA USIA
DAUN JATI BELANDA
EL MARIYAN
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 Pendugaan Reflectance
Berdasarkan Citra Digital Menggunakan Principal Component Analysis untuk Menduga Usia Daun Tanaman 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 skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Juni 2014
El Mariyan
ABSTRAK
EL MARIYAN. Pendugaan Reflectance Berdasarkan Citra Digital Menggunakan Principal Component Analysis untuk Menduga Usia DaunTanaman Jati Belanda. Dibimbing oleh YENI HERDIYENI
Jati Belanda (Gauzuma umifolia) adalah salah satu jenis tanaman obat yang mengandung berbagai senyawa aktif, salah satunya adalah flavonoid. Tanaman Jati Belanda memiliki banyak manfaat di bidang kesehatan, tanaman tersebut banyak diteliti untuk mengukur kualitas kandungan senyawa flavonoid
dengan bermacam cara yaitu uji lab kimia dan menggunakan alat. Proses tersebut miliki tingkat akurasi tinggi dan cepat, namun dapat merusak sample
dan memperlukan biaya yang mahal. Oleh karenanya, pada penelitian kali ini membangun sistem yang berfungsi sebagai metode kendali mutu kualitas daun tanaman obat dengan pencitraan spektral menggunakan metode Principal Component Analysis (PCA) dan penentuan usia dengan metode klasifikasi
Probabilistic Neural Network (PNN) berdasarkan nilai spektral reflectance. Hasil estimasi nilai reflectance menggunakan PCA memiliki nilai RMSE sebesar 15.26 dan GFC sebesar 91.42%. Pada penelitian ini, sistem identifikasi usia daun tanaman Jati Belanda menggunakan orde 2 dan komponen PC4. Akurasi hasil identifikasi usia daun adalah 86.67%.
Kata kunci: Jati Belanda, Spektral Reflectance, Principal Component Analysis
(PCA), Polynomial.
ABSTRACT
EL MARIYAN. Spectral Reflectance Estimation Based on Color Digital Image Using Principal Component Analysis For Predicting Age of Jati Belanda (Guazuma Ulmifolia) Leaf. Supervised by YENI HERDIYENI
Jati Belanda (Guazuma ulmifolia) is one of medicinal plants that contained various chemical components, one of them is flavonoid. Because of Jati belanda has many benefits in health sector, this plant was studied to control the quality of flavonoid in different ways, usually, chemical lab and tools are used for that experiment. Such process has high accuracy and fast, but it can damage the sample and required very high cost. Therefore, this paper discussed on development of a system that has function as quality control method to control the quality of medicinal plant leaf with spectral image using principal component analysis (PCA) and probabilistic neural network (PNN) is used to determining age of leaf based on value of estimated reflectance. The result of vale of estimated reflectance using PCA has RMSE value of 15.26 and GFC of 91.42%. In this research, identification system is builded by using polynomila order 2 and the first four components to predicting age of Jati Belanda leaf. Identification system has an accuracy of 86.67%.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
PENDUGAAN
REFLECTANCE
BERDASARKAN CITRA
DIGITAL MENGGUNAKAN
PRINCIPAL
COMPONENT
ANALYSIS
UNTUK MENDUGA USIA
DAUN JATI BELANDA
EL MARIYAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Judul Skripsi : Pendugaan Reflectance Berdasarkan Citra Digital Menggunakan
Principal Component Analysis untuk Menduga Usia Daun Jati Belanda
Nama : El Mariyan
NIM : G64078002
Disetujui oleh
Dr Yeni Herdiyeni, SSi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan dengan baik. Tema yang dipilih dalam penelitian yang dilaksanakan sejak Desember 2013 ini berjudul “Pendugaan Reflectance Berdasarkan Digital Menggunakan Principal Component Analysis untuk Menduga Usia Daun Jati Belanda”.Penulisan skripsi ini dibuat sebagai salah satu syarat kelulusan program sarjana di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.
Pada kesempatan ini, penulis mengucapkan ucapan terima kasih kepada pihak-pihak yang telah membantu penyusunan skripsi ini, yaitu kepada:
1 Bapak dan Ibu tercinta yang telah memberikan dukungan, semangat, do’a serta kasih sayang yang tulus diberikan.
2 Dr. Yeni Herdiyeni, SSi, MKom selaku pembimbing yang telah memberikan bimbingan, saran, bantuan, perhatian, dan dukungannya selama proses penelitian dan penyusunan skripsi.
3 Bapak Dr Ir Agus Buonu, MSi, MKom dan Hari Agung Adrianto, SKom, MSi selaku dosen penguji.
4 Dosen-dosen serta para staf di Departemen Ilmu Komputer yang telah memberikan ilmu serta bantuan kepada penulis
5 Ghatafy anaku dan Him Soty suamiku, atas izin, cinta dan kasih sayang yang diberikan.
6 Teman-teman satu bimbingan Nurul, Dhieka, Anita, Yutika, Rake, kak Gede dan teman-teman ilkom 44 atas saran, masukan, dan nasihat yang diberikan kepada penulis.
7 Teman-teman Pondok Amanah C atas dukungan serta semangat yang diberikan.
Semoga karya ilmiah ini dapat bermanfaat bagi pembaca.
Bogor, Juni 2014
El Mariyan
DAFTAR ISI
Penentuan Usia Daun Jati Belanda 12
K-Fold Cross Validation 12
Pendugaan Usia Daun Jati Belanda 17
DAFTAR TABEL
1 Confusion matrix 8
2 Dataset untuk pemodelan nilai reflectance 11
3 Model Polynomial 12
4 Pembagian data latih dan data uji dengan 13
5 Nilai RMSE dan GFC dari masing-masing dataset 14
6 Nilai eigen 6 terbesar 16
7 Persentase proporsi dari variansi 17
8 RMSE dan GFC dengan menggunakan polynomial orde 1 dan orde 2 17 9 Akurasi hasil identifikasi citra daun dengan orde 2 18 10 Akurasi hasil identifikasi usia daun Jati Belanda 18 11 Hasil identifikasi usia daun Jati Belanda pada fold 1 18
DAFTAR GAMBAR
1 Pohon Jati Belanda 2
2 Spectrophotometer 3
3 Proses pengambilan nilai reflectance dengan kamera 3
4 Panjang gelombang warna RGB 4
5 Reflectance pada permukaan 4
6 Struktur Probabilistic Neural Network 7
7 Diagram metode penelitian 9
8 Proses pengambilan data citra 10
9 Proses pengambilan data reflectance 10
10 Proses cropping citra 11
11 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan
dataset 1 14
12 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan
dataset 2 15
13 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan
dataset 3 15
14 Estimasi nilai reflectance Jati Belanda usia 3 bulan menggunakan
dataset 4 15
15 Informasi yang terkandung pada masing-masing komponen PCA 16 16 Hasil rata-rata nilai reflectance untuk bulan 1,2,dan3 dengan orde 2
dan komponen PC4 19
17 Antarmuka sistem perkiraan nilai reflectance dan usia daun Jati
Belanda 20
18 Tampilan hasil perkiraan nilai reflectance dan usia daun Jati
DAFTAR LAMPIRAN
1 Warna 97 standar Macbeth 24
2 Data 276 potong citra daun dari 23 spesies tanaman obat 25
3 Enam komponen utama 29
PENDAHULUAN
Latar Belakang
Tanaman obat adalah jenis tanaman yang mengandung senyawa aktif yang berfungsi sebagai obat untuk menyembuh maupun mencegah berbagai macam penyakit (Fathniyah 2011). Pengobatan dengan menggunakan tanaman obat memiliki efek samping lebih rendah dan khasiatnya pun tidak kalah dari obat-obatan modern (Prapanza dan Marianto 2003). Jati Belanda (Guazuma ulmifolia) merupakan salah satu tanaman obat yang mengandung berbagai senyawa kimia aktif antara lain tanin, musilago, caffeine, sitosterol, friedelin, kaueronic acid,
flavonoid, saponin, anti oksidan, proanthocyanidin, dan lain sebagainya (Sulaksana dan Jayusman 2005). Salah satu kandungan senyawa aktif tanaman obat yang sering diteliti untuk mengukur kualitas daun Jati Belanda adalah
flavonoid. Hal ini dikarenakan senyawa flavonoid memiliki aktivitas biologi yang menguntungkan dalam bidang farmasi. Flavonoid termasuk senyawa phenolic
alam yang memiliki potensial sebagai antioksidan dan mempunyai bioaktifitas sebagai obat. Senyawa-senyawa ini dapat ditemukan pada batang, daun, bunga, dan buah. Manfaat flavonoid antara lain untuk melindungi struktur sel, meningkatkan efektivitas vitamin C, anti-inflamasi, anti virus, dan mencegah tulang keropos (Budityastomo 2010).
Kualitas kandungan senyawa aktif tanaman obat bervariasi bergantung pada spesies, varietas, asal geografis, budidaya, metode pemanenan, dan proses pasca panen. Selain itu, faktor usia tanaman obat dapat dijadikan penanda mutu dari tanaman obat tersebut (Anuradha et al. 2010). Variasi ini dapat menyebabkan tidak konsistennya hal stabilitas produk dan keamanan obat. Penggunaan tanaman obat yang semakin meningkat, memerlukan adanya metode kendali mutu. Sesuai standar mutu dari WHO, obat herbal harus memenuhi beberapa persyaratan meliputi kualitas, keamanan, dan khasiat (Depkes RI, 2000). Oleh karena itu, menjaga konsistensi khasiat obat herbal menjadi sangat penting melalui metode analisis kendali mutu tanaman obat untuk mengontrol kualitas dan keamanan obat. Kendali mutu tanaman obat umumnya dapat dilakukan dengan uji lab kimia, proses uji ini miliki akurasi yang tinggi, namun putuh waktu yang lama dan juga dapat merusak sampel (Mao dan Xu 2006). Metode lain yang dapat digunakan untuk melihat keragaman mutu tanaman obat adalah spektroskopi yang biasa menggunakan infraredspectrophotometer atau spectrophotometer UV-Vis (Singh
et al. 2010). Alat tersebut cukup mahal dan sulit digunakan. Oleh karena itu, alternatif lain untuk menganalisis kendali mutu daun tanaman Jati Belanda yaitu dengan pengolahan citra. Pengolahan citra yang dilakukan adalah dengan mengestimasi nilai reflectance berdasarkan nilai RGB dari sebuah citra yang diambil dengan menggunakan kamera digital. Nilai reflectance tersebut nanti digunakan sebagai fitur untuk menentukan kualitas tanaman obat berdasarkan usia daun tanaman.
2
dan basis wavelet. Pencitraan spektral juga telah dimanfaatkan oleh Azizah (2013) dengan menggunakan metode Wienner Estimation untuk menduga usia tanaman obat dengan akurasi sebesar 73.61%. Penelitian ini menggunakan PCA untuk menduga nilai reflectance berdasarkan warna citra digital daun Jati Belanda.
Tujuan Penelitian
Penelitian ini bertujuan untuk menduga nilai spektral reflectance dari citra daun untuk menentukan usia daun Jati Belanda (Guazuma ulmifolia) dengan menggunakan metode PCA.
Manfaat Penelitian
Manfaat penelitian ini adalah untuk membantu masyarakat dalam mengetahui mutu tanaman obat dengan melihat usia daun tanaman sehingga dapat digunakan secara benar dan tepat. Selain itu, kendali mutu berdasarkan citra spektral reflectance, mudah digunakan, murah, cepat, dan tidak merusak sample
daun (non destruktif).
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini menggunakan daun tanaman Jati Belanda (Guazuma ulmifolia) dari kebun Biofarmaka, Dramaga IPB.
TINJAUAN PUSTAKA
Jati Belanda
Tanaman Jati Belanda atau Guazuma ulmifolia merupakan salah satu tanaman suku Sterculiaceae dan dikenal sebagai salah satu tanaman obat. Tanaman Jati Belanda dapat dilihat pada Gambar 1.
Gambar 1 Pohon Jati Belanda
3 berbitik-bitik merah. Buah kotak, bulat, keras, permukaan berduri, warna hitam (Heye 1987).
Spectrophotometer
Spectrophotometer merupakan alat photometric yang mengukur spektral
transmittance, spektral reflectance, atau berhubungan dengan spektral emittance
(XR 2007). Spectrophotometer yang sering digunakan berada dalam daerah spektral UV (utraviolet) dan visible (sinar tampak). Secara umum, spektroskopi terdiri dari sumber cahaya dapat berupa lampu incandescent dan lampu tungsten hologen, pemilih panjang gelombang (wavelength selector), dan detektor. Alat
spectrophotometer dapat dilihat pada Gambar 2. Hasil citra obyek yang difoto menggunakan kamera dapat dilihat nilai reflectance-nya berdasarkan nilai RGB. Tiap piksel citra akan menghasilkan nilai reflectance berdasarkan panjang gelombang yang ditentukan. Proses pengambilan nilai reflectance dengan kamera dapat dilihat pada Gambar 3.
Gambar 2 Spectrophotometer
Gambar 3 Proses pengambilan nilai reflectance dengan kamera RGB
RGB adalah singkatan dari Red, Green, dan Blue. Model warna RGB adalah
additive primary color yang digunakan dalam sistem additive. Spektral RGB pada
Kamera digital dengan detektor
CCD
4
warna elektromagnetik visible miliki jarak antara 400nm-700nm. Spektral warna B, G, dan R adalah 435.8 nm, 546.1 nm, 700 nm untuk masing-masing warna (Gonzalez dan Woods 2002). Panjang gelombang RGB dapat dilihat pada Gambar 4.
Spektral Reflectance
Cahaya pada permukaan obyek dapat diserap, ditransmisikan, atau dipantulkan. Pada radiasi visible yaitu salah satu jenis radiasi elektromagnetik dengan panjang gelompang dari 400nm-700nm yang bisa dilihat dengan mata normal manusia. Reflectance adalah jumlah pantulan cahaya untuk gelombang tertentu, yang menentukan warna benda tersebut (Lansel 2011).
Spektral reflectance pada permukaan yang halus, semua atau hampir semua energi dipantulkan dangan beraturan. Reflectance pada permukaan kasar, gelombang cahaya dipantulkan ke segala arah. Pada proses fotosintesis pantulan
reflectance dapat dilihat pada Gambar 5.
Principal Component Analysis
Pendekatan dasar dalam Principal Component Analysis (PCA) atau
Karhunen-Loéve transform adalah konseptual yang cukup sederhana. Pertama, vektor rata-rata µ berdimensi d dan matrik covariance∑ berdimensi d×d dihitung
Ref
Sinar datang Sinar datang Sinar pantul
Permukaan halus Permukaan kasar
Gambar 4 Panjang gelombang warna RGB
Gambar 5 Reflectance pada permukaan G
5 dari sebuah dataset yang lengkap. Kemudian, eigenvector dan eigenvalue dihitung, dan diurut berdasakan penurunan nilai eigen (decreasing eigenvalue). Selanjutnya,
P eigenvector yang terbesar dipilih (Duda et al. 2000). eigenvector yang dipilih merupakan eigenvector dengan ragam paling besar yang memuat informasi paling banyak. PCA banyak digunakan pada applikasi yaitu: pengenalan wajah, kompresi citra, dan pencarian pola untuk data yang miliki dimensi tinggi.
Pada bidang pengolahan citra spektral, PCA adalah salah satu metode yang digunakan untuk estimasi nilai reflectance dari nilai RGB pada piksel tunggal (Zhou 2007). Umumya, PCA didasarkan pada eigenvector yang diperluas dari matrik covarian dari dataset, namun pada studi pencitraan spektral, eigenvector
diperluas dari matrik autocorrelation (Kohonen 2006).
Tahapan algoritme PCA dalam proses menduga niliai reflectance:
1 Menghitung matrik autocorrelation dari dataset
Misalkan ada spektral reflectance dengan N panjang gelombang didefinisikan dalam persamaan (1).
M = Jumlah data spektral reflectance
sehingga matrik autocorrelation dapat dihitung dengan persamaan berikut (Smilde et al. 2004):
2 Menghitung eigenvector dan eigenvalues dari matrik autocorrelation dengan persamaan seperti di bawah:
6
V = matrik komponen PCA
E = matrik eigenvalue
kolom dari matriks V adalah eigenvector dan elemen diagonal dari matriks F
adalah eigenvalue.
3 Mengurutkan eigenvector yang koresponden dengan eigenvalue dari yang paling besar ke yang paling kecil.
4 Memilih jumlah P eigenvectors yang paling besar sebagai komponen PCA untuk menduga nilai dipilih reflectance. Pada penelitian ini P=6 eigenvector
sebagai komponen PCA.
V = matriks basis dari spektralreflectanceoriginal dari dataset, S = matriks sensitivity, dan
D = rata-rata RGB output kamera.
T = fungsi transpose.
Goodness of Fit Coefficient
Goodness of Fit Coefficient (GFC) adalah sebuah fungsi untuk melihat kemiripan antara dua nilai spektral reflectance yang diduga dan spektral reflectance original yang diukur dengan menggunakan alat
spectrophotometer pada panjang gelombang dengan N banyak channel spektral dari obyek yang sama (Mansouri et al. 2008).
Nilai GFC dibagi menjadi 4 kategori rekonstruksi spektral 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. GFC dapat dihitung sebagai berikut:
7
Probabilistic Neural Network
Probabilistic Neural Network (PNN) diperkenalkan oleh Donal F. Spect tahun 990 dalam tulisan berjudul “Probabilistic Neural Network”. PNN dirancang menggunakan ide dari teori probabilitas klasik yaitu Bayesian dan
estimator klasifikasi Parzen untuk Probability Density Function (Ramakrishnan 2008). Metode klasifikasi PNN, kelas ditentukan berdasarkan nilai peluang yang paling maksimum.
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan atau keluaran yang dapat dilihat pada Gambar 6.
Gambar 6 Struktur Probabilistic Neural Network
Proses-proses yang terjadi pada lapisan yang menyusun PNN adalah sebagai berikut:
1 Lapisan masukan (input layer) merupakan input x terdiri atas c nilai ciri yang akan diklasifikasikan pada n klas.
2 Lapisan pola (pattern layer), pada merupakan perkalian titik (dot product) antara vektor input x dan vektor bobot xAi, yaitu . Bobot vektor xAi merupakan nilai data latih ke-i pada kelas ke-A. Nilai ZA dibagi dengan sigma tertentu σ dan selanjutnya dimasukan dalam fungsi
Parzen yaitu g(x) = exp(-x). Dengan demikian persaman yang digunakan pada lapisan pola sebagai berikut:
g - - i - i
σ (8)
8 σ = sigma atau faktor pemulus
4 Lapisan keluaran (output layer), menghasilkan keputusan input x masuk ke dalam suatu kelas. Input x akan diklasifikasikan ke kelas A jika nilai PA(x) paling besar dibandingkan kelas yang lain.
K-fold Cross Validation
Cross validation adalah salah satu teknik yang dikembangkan untuk mengevaluasi dan menduga kinerja sistem klasifikasi yang dapat diterapkan untuk data yang kecil maupun besar (Fu 1994). K-fold Cross validation merupakan teknik yang membagi data ke dalam k himpunan bagian yang terpisah dengan ukuran dimensi yang sama H1, H2, H3,…, Hk. k himpunan bagian dibagi menjadi dua subhimpunan bagian, k-1 subhimpunan bagian sebagai data latih dan 1 subhimpunan bagian sebagai data uji. Pelatihan dan pengujian dilakukan pengulangan sebanyak k kali. Pada iterasi pertama, H1akan menjadi data uji, H2,
H3, H4,..., Hk menjadi data latih. Berikutnya iterasi kedua, H2 akan menjadi data uji, H1, H3, H4,…, Hk menjadi data latih, dan seterusnya.
Confusion Matrix
Confusion matrix digunakan untuk mengukur kinerja suatu model klasifikasi. Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi (Strinivasulu et al. 2009). Tabel confusion matrix dapat dilihat pada Tabel 1.
Tabel 1 Confusion matrix
Perhitungan akurasi dengan menggunakan tabel confusion matrix adalah sebagai berikut:
u as (10)
dengan
9
D10 = jumlah data positif yang salah diprediksi sebagai negatif oleh model klasifikasi.
D01 = jumlah data negatif yang salah diprediksi sebagai positif oleh model klasifikasi.
D00 = jumlah data negatif yang benar diprediksi oleh model klasifikasi.
METODE
Metode penelitian ini terdiri dari lima tahap, yaitu pengumpulan data, praproses, estimasi spektral reflectance menggunakan PCA, identifikasi usia tanaman Jati Belanda menggunakan PNN, dan evaluasi. Diagram metode penelitian dapat dilihat pada Gambar 7.
Gambar 7 Diagram metode penelitian Estimasi Nilai Reflectance
Dataset 1
Polynomial Polynomial Polynomial Polynomial
10
Studi Pustaka
Studi pustaka dilakukan untuk mengumpulkan informasi tentang estimasi spektral reflectance dari warna citra digital menggunakan metode PCA dan klasifikasi dengan PNN. Literatur yang digunakan berupa buku, jurnal, skripsi, dan artikel-artikel dari internet.
Pengambilan Data
Pada penelitian ini, data yang digunakan adalah 23 spesies daun tanaman obat terdari daun muda dan tua dan daun Jati Belanda yang usia 1, 2, dan 3 bulan dan setiap masing-masing usia memilik 50 daun Jati Belanda yang diambil dari kebun Biofarmaka, Cikabayan IPB. Setiap 23 spesies daun tanaman obat terdiri dari daun muda dan daun tua. Penelitian ini juga menggunakan 97 citra standar warna Macbeth. Standar warna 97 Macbet dapat dilihat pada Lampiran 1.
Pada proses pengambilan citra, 46 daun dari 23 spesies tanaman obat dan 150 daun Jati Belanda diletakkan di dalam kotak pengambilan citra berukuran 40x40cm yang miliki background putih secara bergantian. Pencahayaan dalam kotak menggunakan lampu tungsten. Hal ini dilakukan agar sumber cahaya yang digunakan pada proses pengambilan citra sama dengan sumber cahaya yang digunakan pada proses pengambilan spektral reflectance sehingga warna pencahayaan yang dihasilkan sama dengan waktu pengambilan nilai reflectace
menggunakan spectrophotometer USB 2000. Data diambil dengan menggunakan kamera digital SLR D1100. Ukuran citra sebesar 3888×2592 piksel. Proses pengambilan citra dapat dilihat pada Gambar 8.
Gambar 8 Proses pengambilan data citra
Gambar 9 Proses pengambilan data reflectance
11 tegak lurus dengan obyek yang diamati. Nilai spektral reflectance setaip satu titik piksel muncul di layar monitor komputer secara otomatis. Setiap daun diukur sebanyak enam titik pada bagian bawah tulang daun. Proses Pengambilan nilai spektral reflectance dapat dilihat pada Gambar 9.
Praproses
Pada tahapan praproses, data 46 citra daun dari 23 jenis spesies tanaman obat dan 150 citra daun Jati Belanda dilakukan proses cropping secara manual. Hasil cropping kemudian di-convert ke nilai RGB. Proses cropping dapat dilihat pada Gambar 10 . Citra daun Jati Belanda di-crop pada bagian bawah tulang daun pada empat titik yang berbeda. Hal ini menghasilkan 200 citra untuk setiap usia daun Jati Belanda (1, 2, dan 3 bulan). Setelah itu dilakukan resize dengan ukuran 100×100 piksel. Sedangkan 46 citra daun tanaman obat di-crop sesuai dengan titik pengambilan nilai spektral reflectance saat menggunakan spectrophotometer.
Gambar 10 Proses cropping citra
Tabel 2 Dataset untuk pemodelan nilai reflectance Dataset Keterangan
1. Data terdiri 97 warna standar Macbeth
2. Data terdiri 46 citra daun dari 23 spesies tanaman obat masing-masing dua daun
3. Data terdiri 276 potong citra daun dari 23 spesies tanaman obat
4. Data terdiri 97 warna standar Macbeth dan 46 potong citra daun
Pengambilan spektral reflectane dengan spectrophotometer menghasilkan 3,640 channel dari panjang gelombang dari 170nm-880nm. Spektral reflectance
yang digunakan berada pada cahaya tampak (visible) yaitu gelombang dari 400nm-700nm. Hal tersebut dilakukan agar panjang gelombang yang dihasilkan sama dengan panjang gelombang saat pengambilan citra dengan menggunakan kamera digital. Potongan spektral reflectance pada daerah visible menghasilkan 1540 channel. Teknik Boxcar 3 digunakan untuk mengurangi jumlah channel, sehingga nilai spektral reflectance terakhir menjadi 515 channel.
Terdapat 4 dataset yang digunakan dalam penelitian ini dapat dilihat pada Tabel 2.
12
Pemodelan Nilai reflectance
Pemodelan nilai reflectance menggunakan basis PCA untuk menghasilkan nilai estimasi reflectance dari citra digital agar mendekati dengan reflectance yang
original menggunakan alat spectrophotometer.
Pada penelitian ini, estimasi spektral reflectance dari rata-rata RGB citra digital D menggunakan metode PCA (Mansouri et al. 2008). Persamaan yang digunakan untuk melakukan estimasi spektral reflectance dapat dilihat pada persamaan (5).
Matrik sensitivity S dari channel RGB dapat dihitungan dengan persamaan (11) di bawah:
(11) dengan
S = matriks sensitivity dari channel RGB
d = nilai rata-rata RGB dari dataset
r+ = pseudoinvers dari matriks spektral reflectance dari dataset
Matriks basis atau matriks karakteristik V dapat dicari dengan langkah-langkah berikut (Parkkinen 2007):
1 Perhitungan matriks correlation dari matriks spektral reflectane dari data latih dengan persamaan (3).
2 Pencarian nilai eigenvalue dari matriks correlation.
3 Pencarian nilai eigenvector dari nilai eigenvalue dan matriks correlation. 4 Pengambilan P eigenvector dari P nilai eigenvalue yang terbesar sebagai
matriks karakteristik V.
Perhitungan matriks S dan V dihitung berdasarkan dataset. Dataset yang digunakan dilihat berdasarkan nilia RMSE dan GFC. Dataset yang menghasilkan pola reflectance yang baik digunakan untuk menduga spektral reflectance dari citra daun Jati Belanda yang berusia 1, 2, dan 3 bulan. Persamaan polynomial yang digunakan pada penelitian ini dapat dilihat pada Tabel 3.
Tabel 3 Model Polynomial
Orde Term Model Polynomial
13 Pembagian data dapat diliaht pada Tabel 4. Presentase data latih dan data uji masing-masing sebesar 80% dan 20%. Pelatihan dan pengujian dilakukan pengulangan sebanyak 5 kali. Pada percobaan pertama, H1akan menjadi data uji,
H2, H3, H4,..., H5 menjadi data latih. Berikutnya percobaan kedua, H2 akan menjadi data uji, H1, H3, H4,…, H5 menjadi data latih, dan seterusnya.
Tabel 4 Pembagian data latih dan data uji dengan 5-fold cross validation
Percobaan Data Uji Data Latih
Fold 1 H1 H2,H3,H4,H5
Klasifikasi menggunakan PNN dilakukan untuk mengidentifikasi usia Jati Belanda. Ciri yang dimasukan berupa hasil estimasi sepektral reflectance citra daun Jati Belanda. Pada penelitian ini memiliki tiga kelas berdasarkan usia daun Jati Belanda.
Evaluasi
Evaluasi dilakukan untuk melihat keefektifan kinerja klasifikasi pada metode estimasi spektral reflectance dengan persamaan yang dibawah:
u as ata u an b na ata u ( 12)
Lingkungan pengembangan
Dalam penelitian ini, spesifikasi perangkat keras dan lunak yang digunakan sebagai berikut:
Processor AMD Athlon(tm) X2 Dual-core QL-60 1.90 GHz,
RAM 2.00 GB,
Harddisk 160 GB,
Kamera Cannon SLR 1100D 12 MP,
Spectrophotometer USB2000,
Box (kotak pengambilan gambar ),
Lampu tungsten,
Sistem operasi Windows 7 Ultimate, dan
14
HASIL DAN PEMBAHASAN
Pada bab ini, akan dijelaskan mengenai kinerja metode PCA untuk memodelkan nilai reflectance. Model nilai reflectance dengan basis yang terbaik digunakan untuk estimasi nilai reflectance citra daun Jati Belanda. Nilai estimasi
reflectance tersebut kemudian akan menduga usia dan metode klasifikasi PNN untuk mengetahui kualitas daun tersebut.
Pemodelan Nilai Reflectance
Nilai reflectance original dan RGB dari masing-masing dataset digunakan untuk menghitung matriks sensitivity dan basis PCA. Hasil tersebut kemudian digunakan untuk menghitung nilai spektral reflectance dari citra daun Jati Belanda yang usia 3 bulan. Hasil nilai reflectance estimasi selanjutnya dibandingkan dengan nilai spektral reflectance original dan dievaluasi berdasarkan nilai RMSE dan GFC. Nilai RMSE dan GFC tersebut dapat menentukan basis atau komponen PCA yang digunakan untuk mengestimasi nilai reflectance. Nilai RMSE dan GFC dari masing-masing dataset dapat dilihat pada Tabel 5. Hasil estimasi nilai
15
16
Berdasarkan Gambar 14, pemodelan nilai reflectance terbaik yang menghasilkan spektral reflectance estimasi yang mendekati dengan spektral
reflectance original adalah pemodelan nilai reflectance dengan menggunakan
dataset 3. Pemodelan nilai reflectance dengan dataset 3 menghasilkan nilai RMSE sebesar 52.46 paling kecil dari dataset yang lain dan nilai GFC sebesar 0.81. Dataset 3 dapat dilihat pada Lampiran 2.
Pemodelan nilai reflectance terbaik yang sudah didapatkan kemudian digunakan untuk menduga nilai spektral reflectance dari citra daun Jati Belanda Estimasi nilai reflectance dihitung dengan menggunakan polynomial yang sudah ditentukan. Estimasi nilai reflectance dari masing-masing orde polynomial
kemudian diuji dengan beberapa basis yang terbaik. Hal tersebut dilakukan untuk menduga error estimasi dengan basis yang terpilih. Basis-basis yang terpilih merupakan komponen PCA yang memiliki varian paling besar yang dapat dari nilai eigen positif yang terbesar. Informasi yang terkandung setiap komponen PCA dapat dilihat pada Gambar 15. Nilai eigen dari dataset 3 dapat dilihat Tabel 6. Proporsi basis atau komponen utama yang digunakan dapat dilihat pada Tabel 7. Komponen PCA yang digunakan dapat dilihat pada Lampiran 3.
Hasil Estimasi nilai reflectance dengan menggunakan orde 1 yang diuji dengan enam komponen PCA utama dapat dilihat pada Lampiran 4. Hasil estimasi nilai reflectance dengan menggunakan persamaan polynomial orde 2 yang diuji dengan enam komponen PCA utama dapat dilihat pada Lampiran 5.
0
Gambar 15 Informasi yang terkandung pada masing-masing komponen PCA Tabel 6 Nilai eigen 6 terbesar
17 Tabel 7 Persentase proporsi dari variansi
komponen PCA ( Basis PCA)
Nilai RMSE dan GFC dengan menggunakan orde 1 dan orde 2 dapat dilihat pada Tabel 8. rata-rata lebih besar dari persamaan polynomial orde 1. Hasil tersebut menunjukan bahwa estimasi spektral reflectance dengan menggunakan orde 2 menghasilkan paling baik. Komponen PCA dan orde yang terbaik kemudian digunakan untuk estimasi daun Jati Belanda.
Pendugaan Usia Daun Jati Belanda
Nilai estimasi reflectance sebayak 600 reflectance dari citra daun Jati belanda yang berusia 1, 2 , dan 3 bulan dibagi menjadi data latih dengan proporsi sebesar 80% dan data uji sebesar 20%.
Berdasarkan model 5-fold cross validation, jumlah spektral reflectance
18
metode klasifikasi PNN. Hasil akurasi usia daun dengan menggunakan orde 2 dapat dilihat pada Tabel 9.
Tabel 9 Akurasi hasil identifikasi citra daun dengan orde 2
Komponen PCA Akurasi (%) Nilai segma (σ) Identifikasi dengan akurasi paling besar tersebut diberoleh pada fold 1 yang dapat dilihat pada Tabel 10. Data latih pada fold 1 selanjutnya digunakan untuk membangun sistem identifikasi usia citra daun. Hasil klasifikasi perkiraan usia citra duan Jati Belanda dengan menggunakan fold 1 dapat dilihat pada Tabel 10. Sedangkan hasil klasifikasi setiap daun dapat dilihat pada Lampiran 6.
Tabel 10 Akurasi hasil identifikasi usia daun Jati Belanda sebanyak 5 fold
5 fold cross validation
Fold Testing Training Akurasi(%)
1 H1 H2,H3,H4,H5 86.67
Tabel 11 Hasil identifikasi usia daun Jati Belanda pada fold 1
Hasil rata-rata nilai reflectance setiap bulan dengan menggunakan orde 2 dan komponen PC4 dapat dilihat pada Gambar 16.
Usia Jati Belanda Kelas Prediksi
19
Gambar 16 Hasil rata-rata nilai reflectance untuk bulan 1,2,dan3 dengan orde 2 dan komponen PC4
Jumlah data uji untuk masing-masing bulan sebanyak 40 spektral estimasi. Berdasarkan hasil identifikasi, sebanyak 37 data uji teridentifikasi sebagai daun Jati Belanda berusia 1 bulan, 35 data uji teridentifikasi sebagai daun Jati Belanda berusia 2 bulan, dan 32 data uji teridentifikasi sebagai daun Jati Belanda berusia 3 bulan.
Berdasarkan hasil grafik dari Gambar 16, spektral estimasi reflectance pada daun Jati Belanda 1 bulan lebih tinggi dibandingkan daun Jati Belanda yang berusia 2 dan 3 bulan. Hal ini disebabkan, daun Jati Belanda mengandung senyawa aktif lebih sedikit dibandingkan dengan daun 2 dan 3 bulan sehingga penyerapan sinar yang dilakukan oleh daun Jati Belanda 1 bulan lebih sedikit dibandingkan dengan daun Jati belanda 2 dan 3 bulan.
Evaluasi
Evaluasi kinerja sistem terdiri dari dua proses evaluasi. Evaluasi pertama adalah evaluasi proses estimasi spektral reflectance dan evaluasi kedua adalah evaluasi proses identifikasi.
Evaluasi proses estimasi spektral reflectance
Berdasarkan Tabel 8 menjelaskan nilai error antara spektral
reflectance yang original dan estimasi menggunakan orde 2 dan komponen-komponen PCA dari dataset 3, estimasi nilai reflectance komponen PC1 menghasilkan nilai error RMSE sebesar 5.00 dan nilai GFC sebesar 99.61%. Gambar 16 memberikan gambaran nilai reflectance pada bulan 3 paling rendah dibandingkan dengan bulan yang lain. Hasil ini menjelaskan bahwa daun Jati Belanda pada usia 3 bulan mengandung kadar senyawa aktif lebih banyak dibanding dengan daun Jati Belanda usia 1 dan 2 bulan.
20
Secara umum, pada penelitian ini tingkat error (RMSE) dan GFC dipengaruhi oleh sebaran komponen PCA yang digunakan. Estimasi nilai
reflectance dengan komponen PCA yang memiliki proporsi semakin besar, cenderung memiliki nilai error tinggi dibandingkan dengan estimasi yang menggunakan hanya satu komponen (komponen PC1).
Evaluasi proses identifikasi usia daun Jati Belanda dengan orde 2.
Identifikasi menggunakan komponen PC4 memberikan akurasi terbesar, namuan menghasilkan error lebih besar dari komponen PC1. Hasil akurasi dengan menggunakan komponen PC4 dapat dilihat pada Tabel 11. Hasil identifikasi daun Jati Belanda usia 3 bulan menghasilkan nilai akurasi yang paling rendah dibandingkan dengan nilai akurasi untuk daun Jati Belanda 2 dan 1 bulan. Hal ini disebabkan karena nilai reflectance pada usia 3 dan 1 bulan tidak berbeda jauh sehingga beberapa data daun Jati Belanda yang berusia 3 bulan teridentifikasi sebagai tanaman jati belanda yang berusia 1 bulan. Selain itu, faktor geografis dan lingkungan juga dapat mempengaruhi pertumbuhan tanaman Jati Belanda.
Implementasi Sistem
Tahapan implementasi membangun sebuah sistem antarmuka berbasis
desktop yang dapat memperkirakan nilai reflectance berdasarkan warna citra digital untuk menduga usia daun Jati Belanda. Citra daun Jati Belanda yang berukuran 100 x 100 piksel diambil dari galeri kemudian data citra masuk ke proses pehitungan nilai reflectance dan usia daun. Antarmuka sistem yang dinamakan “Perkiraan Usia Daun Jati Belanda” dapat dilihat pada Gambar 17. Hasil perkiraan usia duan Jati Belanda dapat dilihat pada Gambar 18.
Gambar 17 Antarmuka sistem perkiraan nilai reflectance dan usia daun Jati
21
Gambar 18 Tampilan hasil perkiraan nilai reflectance dan usia daun Jati Belanda
SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, proses pemodelan spektral reflectance dengan menggunakan metode Principal Componen Analysis (PCA) dengan tiga buah vektor karakteristik eigenvector dari tiga nilai eigenvalue yang terbesar dapat menghasilkan model sepektral yang baik dengan menggunakan dataset 3 (data terdiri dari 276 potong citra daun dari 23 spesies tanaman obat). Hasil estimasi
spektral reflectance dari citra daun jati belanda berdasarkan nilai RGB-nya dengan menggunakan orde 2 dan komponen utama PC4 menghasilkan nilai GFC sebesar 91.42% dan RMSE sebesar 15.26. Sistem identifikasi usia daun Jati Belanda menggunkan orde 2 dan komponen PC4 cukup baik untuk menentukan usia daun Jati Belanda dengan akurasi sebesar 86.67%. Perkiraan nilai reflectance
daun jati belanda pada usia 1, 2, dan 3 bulan tidak berbeda jauh. Selain itu, beberapa faktor yang lain yang mempengaruhi nilai sepektral reflectance dari daun jati belanda yaitu faktor geografi dan teknik pengambilan citra.
Saran
Saran untuk penelitan selanjutnya diharapkan:
22
tetapi bisa mengganti fungsi spectrophotometer yang dapat mengukur kadar senyawa aktif ada didalamnya secara kuatitatif.
2 Pengambilan data pada waktu yang berbeda untuk mengantisipasi pencahayaan.
3 Menggunakan standar warna dengan RGB-nya yang homogen.
4 Sebaiknya menggunakan dataset sebagai data latih sesuai dengan obyek yang ingin diuji.
5 Perhitungan nilai spetral reflectance dengan alat sebaiknya menggunakan
spectrophotometer yang miliki nilai sensitif yang stabil sehingga nilai error
yang dihasikan semakin kecil dan spektral estimasi yang dihasilkan semakin mendekati spektral 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.
Azizah N. 2013. Perkiraan Nilai Reflectance Berdasarkan Warn Citra Digital Menggunakan Wienner Estimation untuk Menduga Usia Tanaman Sambiloto[Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Budityastomo H. 2010. Pengaruh Pemberian Franksi Etanolik Ekstrak Bawang Dayak (Eleutherine palmifolia L., Merr.) Terhadap Tingkat Ekspresi Cyclin-E Galur Hela (HPV High Risk Type) [Tesis]. Semarang (ID): PPDS I Obstetri dan Ginekologi FK UNS/RSUD Dr. Moewardi Surakarta.
Depkes RI. 2000. Parameter Standar Umum Ekstrak Tumbuhan Obat. Jakarta : Direktorat Jenderal Pengawasan Obat dan Makanan.
Duda OR, Hart PE, Stork DG. 2000. Pattern Classification 2nd ed. New York (US): Wiley-Interscience.
Fathniyah VEF. 2011. Pengambangan Fotometer Jinjing untuk Kendali Mutu Rimpang Temulawak (Curcuma xanthorriza) [Skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.
Fu LM. 1994. Neural Networks in Computer Intelligence. Singapore: Mc Graw-Hill.
Heye K. 1987. Tumbuhan Berguna Indonesia. Jakarta (ID): Baban Litbang Kehutanan. 3: 1348-1349.
Gonzalez RC, Woods RE. 2002. Digital Image Processing. New Jersey (US): Prentice Hall.
23 Lansel SP. 2011. Local Linear Learned Method for Image and Reflectance
Estimation[Disertasi]. Stanford University
Mansouri A, Sliwa T, Hardeberg JY, Voisin Y. 2008. An Adaptive-PCA Algorithm For Reflectance Estimation From Color Images. Di dalam: Pattern
Recognition. 2008. ICPR 2008. International Conference on, 19th ed.
Florida[US]: IEEE. hlm 1-4
Mao J, Xu J . 2006. Discrimination of herbal medicines by molecular spectroscopy and chemical pattern recognition. Spectrochim Acta. 65.497-500. Mattjik AA, Sumertajaya IM. 2011. Sidik Peubah Ganda dengan Menggnakan
SAS. Wibawa GNA; Hadi AF, editor. Bogor (ID): IPB Pr. Parkkinen J. 2007. Digital Color Lectures. University of Joensuu.
Prapanza I, Marianto LA. 2003. Khasiat dan manfaat sambiloto: Raja Pahit Penakluk Aneka Penyakti. Jakarta: PT Agromedia Pustaka.
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.
Smilde A, Bro R, Geladi. 2004. Multi-Way to Analysis. Wiley. West Sussex (GB). Inggris.
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.
Suganda, AG. 2007. Jati Belanda. Jakarta: Badan Pengawas Obat dan Makanan, Direktorat Obat Asli Indonesia. Halaman 4-16.
Sulaksana J, Jayusman DI. 2005. Kemuning dan Jati Belanda, Budidaya dan Pemanfaatan untuk Obat. Jakarta : Penebar Swadaya. 21-5, 49-51
Ramakrishnan S, Emary I. 2008. Comparative Study Between Traditional and Modified Probabilistic Neural Network. India : Springer Science.
Zhou Y. 2007. Index and Search in a Spectral Imaging Database by PCA and NMF for Archiving Paintings Application. Finland (FI): Department of Computer Science and Statistics. University of Joensuu. hlm 18-20.
24
Lampiran 1 Warna 97 standar Macbeth
W 1 W 2 W 3 W 4 W 5 W 6
W 7 W 8 W 9 W 10 W 11 W 12
W 13 W 14 W 15 W 16 W 17 W 18
W 19 W 20 W 21 W 22 W 23 W 24
W 25 W 26 W 27 W 28 W 29 W 30
W 31 W 32 W 33 W 34 W 35 W 36
W 37 W 38 W 39 W 40 W 41 W 42
W 43 W 44 W 45 W 46 W 47 W 48
W 49 W 50 W 51 W 52 W 53 W 54
25
W 61 W 62 W 63 W 64 W 65 W 66
W 67 W 68 W 69 W 70 W 71 W 72
W 73 W 74 W 75 W 76 W 77 W 78
W 79 W 80 W 81 W 82 W 83 W 84
W 85 W 86 W 87 W 88 W 89 W 90
W 91 W 92 W 93 W 94 W 95 W 96
W 97
Lampiran 2 Data 276 potong citra daun dari 23 spesies tanaman obat
W 1 W 2 W 3 W 4 W 5 W 6 W 7
W 8 W 9 W 10 W 11 W 12 W 13 W 14
26
W 22 W 23 W 24 W 25 W 26 W 27 W 28
W 29 W 30 W 31 W 32 W 33 W 34 W 35
W 36 W 37 W 38 W 39 W 40 W 41 W 42
W 43 W 44 W 45 W 46 W 47 W 48 W 49
W 50 W 51 W 52 W 53 W 54 W 55 W 56
W 57 W 58 W 59 W 60 W 61 W 62 W 63
W 64 W 65 W 66 W 67 W 68 W 69 W 70
W 71 W 72 W 73 W 74 W 75 W 76 W 77
W 78 W 79 W 80 W 81 W 82 W 83 W 84
W 85 W 86 W 87 W 88 W 89 W 90 W 91
W 92 W 93 W 94 W 95 W 96 W 97 W 98
W 99 W 100 W 101 W 102 W 103 W 104 W 105
27
W 113 W 114 W 115 W 116 W 117 W 118 W 119
W 120 W 121 W 123 W 123 W 124 W 125 W 126
W 127 W 128 W 129 W 130 W 131 W 132 W 133
W 134 W 135 W 136 W 137 W 138 W 139 W 140
W 141 W 142 W 143 W 144 W 145 W 146 W 147
W 148 W 149 W 150 W 151 W 152 W 153 W 154
W 155 W 156 W 157 W 158 W 159 W 160 W 161
W 162 W 163 W 164 W 165 W 166 W 167 W 168
W 169 W 170 W 171 W 172 W 173 W 174 W 175
W 176 W 177 W 178 W 179 W 180 W 181 W 182
W 183 W 184 W 185 W 186 W 187 W 188 W 189
W 190 W 191 W 192 W 193 W 194 W 195 W 196
28
W 204 W 205 W 206 W 207 W 208 W 209 W 210
W 211 W 212 W 213 W 214 W 215 W 216 W 217
W 218 W 219 W 220 W 221 W 222 W 223 W 224
W 225 W 226 W 227 W 228 W 229 W 230 W 231
W 232 W 233 W 234 W 235 W 236 W 237 W 238
W 239 W 240 W 241 W 242 W 243 W 244 W 245
W 246 W 247 W 248 W 249 W 250 W 251 W 252
W 253 W 254 W 255 W 256 W 257 W 258 W 259
W 260 W 261 W 262 W 263 W 264 W 265 W 266
W 267 W 268 W 269 W 270 W 271 W 272 W 273
29 Lampiran 3 Enam komponen utama
-0.5 0 0.5
400 550 700
First PC
-0.5 0 0.5
400 550 700
Second PC
-0.5 0 0.5
400 550 700
Third PC
-0.5 0 0.5
400 550 700
Fourth PC
-0.5 0 0.5
400 550 700
Fifth PC
-0.5 0 0.5
400 550 700
30
Lampiran 4 Estimasi nilai reflectance dengan persamaan polynomial orde 1
Lampiran 5 Estimasi nilai reflectance dengan persamaan polynomial orde 2
31 Lampiran 6 Hasil klasifikasi usia daun dengan nilai sigma sebesar 0.95
Daun Usia (Bulan) Daun Usia (Bulan) Daun Usia (Bulan)
32
RIWAYAT HIDUP
Penulis dilahirkan di Krouch Chma, propinsi Konpong Cham, Negara Kamboja pada tanggal 1 November 1988. Penulis merupakan anak pertama dari tiga bersaudara dari pasangan Bapak El Ly (Aly Mustafa bin Ismael ) dan Ibu Sim Hapisorh ( Hapisorh binti Kosim). Pada tahun 2007 penulis lulus beasiswa Islamic Development Bank. Tahun yang sama, penulis diterima di Institut Pertanian Bogor (IPB) sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan.
