KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO
MENGGUNAKAN METODE NEURAL NETWORK
1) 2 )3)Jurusan Teknik Elektro, Fakultas Teknik,Universitas Sultan Ageng Tirtayasa
Jl. Jendral Sudirman KM.3 Cilegon-Banten Telp. (0254) 395502
ABSTRAKS – Tanaman kakao merupakan tanaman perkebunan dilahan kering, jika diusahakan secara baik dapat berproduksi tinggi serta menguntungkan secara ekonomis. Namun seringkali petani mengalami penurunan panen, hal ini disebabkan penyakit dan hama yang menyerang kakao. Penyakit-penyakit pada kakao tersebut dapat menyerang daun sehingga menimbulkan bercak-bercak pada daun akibat hawar daun dan hama. Penelitian ini mencoba mengklasifikasikan daun-daun pada tanaman kakao, baik yang sehat, yang terkena penyakit atau bercak daun dengan menggunakan citra daun pada bagian atas dengan menerapkan metode Neural Network (NN) dengan harapan dapat membantu para petani untuk mengetahui kualitas tanaman kakao dengan perantara daun, dikarenakan daun merupakan bagian yang sangat mudah untuk dideteksi dengan menggunakan ekstrasi fitur dari daun sebagai inputnya diantara mean, standard deviation, , kurtosis, skewness, dan entropydari histogram warna, histogram grayscale dan histogram tingkat saturasi. Selanjutnya dilakukan proses klasifikasi. Dari hasil percobaan tahap klasifikasi menggunakan neural network didapatkan hasil akurasi daun rusak parah 83% daun rusak sedang 96% dan daun sehat 86%.
Kata kunci : daun kakao, neural network, ekstrasi fitur, mean, standar deviasi, kurtosis, skewness, entropy, hostogram grayscale.
1.Pendahuluan
Kakao merupakan salah satu komoditas unggulan nasional setelah tanaman karet, kelapa sawit, kopi, dan teh yang berperan penting bagi pertumbuhan perekonomian Indonesia terutama dalam penyediaan lapangan kerja baru, sumber pendapatan petani dan penghasil devisa bagi negara. Sering kali para petani mengalami penurunan panen, hal ini disebabkan penyakit dan hama yang menyerang kakao. Penyakit-penyakit pada kakao tersebut dapat menyerang daun, sehingga menimbulkan bercak-bercak pada daun, daun berwarna kuning atau coklat. Daun yang sehat pada tanaman kakao yaitu berwarna hijau tanpa ada bercak coklat pada bagian atasnya, sedangkan pada daun kakao yang terkena penyakit yaitu di tandai dengan bercak coklat pada daun berbentuk oval yang merata di permukaan daun dengan titik tengah berwarna abu-abu atau putih. Titik abu-abu di tengah bercak merupakan gejala khas penyakit bercak daun coklat di lapangan. Bercak yang masih muda berwarna coklat gelap atau keunguan berbentuk bulat. Pada varietas yang peka panjang bercak dapat mencapai panjang 1 cm.
Dalam dunia pertanian, salah satu masalah yang dihadapi adalah menentukan kualitas tanaman hasil pertanian, khususnya tanaman
kakao. Terkadang sulit untuk melihat dengan kasat mata kualitas tanaman kakao tersebut. Penelitian ini mencoba mengklasifikasikan daun-daun pada tanaman kakao, baik yang sehat, yang terkena penyakit atau bercak daun dengan menggunakan citra daun pada bagian atas dengan menerapkan metode Neural Network (NN) dengan harapan dapat membantu para petani untuk mengetahui kualitas tanaman kakao dengan perantara daun, dikarenakan daun merupakan bagian yang sangat mudah untuk dideteksi. Sehingga penulis melakukan sebuah penelitian ini untuk mengetahui kualitas tanaman kakao.
2.Tinjauan Pustaka
2.1 Histogram warna (Color Histogram)
Histogram warna dihitung dengan cara mendiskritkan warna dalam citra, dan menghitung jumlah dari tiap-tiap piksel pada citra. Sebelum dilakukan penghitungan intensitas warna tiap piksel, terlebih dahulu dilakukan normalisasi terhadap ketiga komponen penyusun warna pada citra (red,green,blue), proses ini disebut juga dengan Normalized RGB. Persamaan yang digunakan untuk normalisasi warna tersebut adalah sebagai berikut :
(1)
(2)
(3)
2.2 Histogram Tingkat Keabuan (Grayscale Histogram)
Nilai citra parasit malaria merupakan model warna RGB. Untuk mendapatkan nilai tingkat keabuan dari citra yang terdiri dari komponen warna RGB dilakukan dengan menggunakan persamaan berikut :
(4)
Hasil dari proses grayscale ini akan berada pada tingkat keabuan sebesar sebesar 8 bit. Distribusi nilai-nilai dari setiap piksel citra grayscale dimasukkan ke dalam histogram. 2.3 Histogram Tingkat Saturasi ( Saturation Level Histogram )
Histogram tigkat saturasi digunakan untuk mendapatkan nilai-nilai intensitas warna berdasarkan kejenuhannya (saturasi). Komponen warna berdasarkan kejenuhannya diperoleh dari citra eritrosit model warna RGB melalui perhitungan dengan persamaan sebagai berikut :
(5)
Dimana nilai saturasi pada setiap piksel ini digunakan untuk membangun histogram distribusinya.
Dari nilai histogram warna, grayscale dan tingkat saturasi hasil perhitungan sudah dapat dijadikan sebagai vektor input, namun
untuk mengurangi masalah komputasi yang besar maka nilai-nilai tersbut diwakili oleh nilai mean, standar deviasi, kurtosis dan skewness dari distribusinya histogram tersebut, dimana dapat dihitung dengan persamaan :
(6)
(7)
(8)
(9)
2.4 Jaringan syaraf tiruan (Backpropagation) Jaringan syaraf tiruan (Artificial Neural Network) atau ANN merupakan model yang meniru cara kerja jaringan biologis. Otak manusia terdiri atas sel-sel syaraf yang disebut neuron, yang berjumlah sekitar 910 neuron. Jaringan syaraf tiruan terdiri atas sejumlah pemroses yang sangat sederhana yang disebut dengan node atau simpul. Simpul ini dianalogikan seperti neuron yang ada di otak manusia. Kumpulan simpul-simpul yang membentuk suatu konfigurasi tertentu dikenal sebagai jaringan syaraf tiruan. Jaringan syaraf tiruan terdiri atas lapisan masukan dan keluaran. Tetapi ada juga yang mempunyai lapisan tersembunyi di antara lapisan masukan dan keluaran. Simpul yang ada pada lapisan masukan disebut unit masukan. Pada unit masukan tidak memproses suatu informasi tetapi hanya menyebarkan atau menyalurkan ke unit lain. Sedangkan simpul yang ada pada lapisan tersembunyi dan lapisan keluaran menghasilkan keluaran yang berupa suatu bentuk non linear. Secara prinsip jaringan dibangkitkan serangkaian masukan (input) yang dikalikan dengan suatu faktor penimbang tertentu yang analog dengan tegangan sinapsis, kemudian dijumlahkan semua masukan tersebut untuk menentukan tingkat aktivasi neuron.
(backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pelatihan backpropagation terdiri dari 3 tahap, yaitu perambatan maju, propagasi balik, dan modifikasi bobot neuron. Sedangkan siklus dari ketiga tahapan ini disebut dengan iterasi atau dalam JST dinamakan epoch.
Prinsip kerja dari algoritma backpropagation adalah sebagai berikut, pada saat proses umpan maju, neuron pada input layer akan mengirimkan informasi ke setiap neuron pada hidden layer. Neuron hidden layer ini akan melakukan proses komputasi terhadap informasi yang diterima dan menghasilkan output yang berasal dari fungsi aktivasinya. Selanjutnya output dari hidden layer tersebut akan dikirimkan lagi ke lapisan berikutnya, yang dalam hal ini adalah output layer. Di dalam output layer ini berlangsung proses yang sama seperti pada hidden layer. Namun, output dari hasil fungsi aktivasi output layer ini akan digunakan sebagai sinyal respon dari JST.
Sinyal respon output JST ini akan dibandingkan dengan target yang diinginkan dan dihitung besar errornya (selisih antara output yang dihasilkan dengan target yang ingin dicapai). Error yang diperoleh ini dikirimkan kembali ke lapisan-lapisan sebelumnya dan kemudian digunakan untuk mengoreksi dan mengubah bobot-bobot JST-nya berdasarkan learning error yang diberikan pada JST tersebut. akan dilakukan jika proses pelatihan tersebut telah selesai, fase ini disebut fase mapping Algoritma pelatihan backpropagation terdiri dari dua tahapan, feed forward dan backpropagation dari galatnya. Untuk jelasnya dapat dijelaskan rinciannya sebagai berikut (Kusumadewi, 2004):
1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). 2. Tetapkan: Maksimum Epoh, Target Error,
dan Learning Rate (α). 3. Inisialisasi: Epoh=0, MSE=1.
4. Setiap pasangan data training dilakukan langkah berikut ini
(epoch=epoch+1):
Umpan maju (Feedforward):
a. Tiap-tiap unit input menerima data tV dan meneruskan sinyal input ke semua unit pada lapisan berikutnya (hiddenlayer).
b. Tiap-tiap unit pada suatu hidden layer V menjumlahkan sinyal-sinyal input terbobot dan menggunakan fungsi aktivasi untuk menghitung sinyal outputnya:
(9) (10) Kemudian sinyal output zj akan dikirim ke semua unit pada layer berikutnya (output layer). Bila yang digunakan adalah fungsi sigmoid maka bentuk
fungsi tersebut adalah:
(11) Sinyal keluaran dari fungsi pengaktif tersebut dikirim ke semua unit di lapis keluaran (unit keluaran).
c. Tiap-tiap unit keluaran vT menjumlahkan sinyal-sinyal input terbobot dan
Salah satu bagian terpenting dari konsep jaring syaraf tiruan adalah terjadinya proses pembelajaran. Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada jaring syaraf, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data yang dilatih. Selama proses pembelajaran akan terjadi perbaikan bobot-bobot berdasarkan algoritma tertentu. Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak disampaikan oleh suatu neuron ke neuron yang lain maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang diharapkan. Pada dasarnya ada dua metode pembelajaran, yaitu metode pembelajaran terawasi (supervised learning) dan metode pembelajaran tak terawasi (unsupervised learning).
2.6 Fungsi Aktivasi
Fungsi aktivasi merupakan bagian terpenting dalam tahapan perhitungan keluaran dari suatu algoritma jaringan syaraf tiruan. Fungsi aktivasi dapat diibaratkan sebagai pendefinisian penguatan non linier dalam sisem analag (continue). Penguatan (gain) ini dihitung dengan mencari rasio perubahan pada fungsi output neuron pada lapisan keluaran. Fungsi aktivasi tidak hanya digunakan pada saat perhitungan nilai keluaran neuron saja, tetapi turunan pertamanya juga bisa untuk menghitung perubahan bobot dan bias pada proses belajar. Dalam penulisan ini digunakan fungsi aktivasi bipolar threshold. Beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan adalah :
a. Fungsi Linear (Purelin)
Fungsi linear dinyatakan dengan persamaan :
Gambar 1. Fungsi Aktivasi: Undak Biner Fungsi Aktivasi linear pada gambar 1 di matlab dikenal dengan nama purelin. Dimana α adalah kemiringan dari fungsi. Jika α= 1 maka fungsi aktivasi tersebut adalah fungsi identitas.
Sintaks untuk fungsi tersebut adalah: Y= purelin (a).
b. Fungsi Sigmoid Biner (Logsig)
Fungsi ini digunakan untuk jaringan syaraf tiruan yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi seperti ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.
Gambar 2. Fungsi Aktivasi Sigmoid Biner Fungsi Aktivasi sigmoid biner pada gambar 2 di matlab dikenal dengan nama logsig.
c. Fungsi Sigmoid Bipolar (tansig)
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1 (Gambar
Gambar 3 Fungsi Aktivasi Sigmoid Bipolar Fungsi Aktivasi sigmoid bipolar pada gambar 3 di matlab dikenal dengan nama tansig.
3.Desain Penelitian
Desain penelitian merupakan tahapan yang merepresentasikan langkah-langkah yang akan dilakukan dalam melaksanakan penelitian, tujuannya untuk memudahkan peneliti dalam melakukan penelitian. Berikut adalah tahapan penelitian yang akan dilakukan dalam proses penelitian yang berjudul “Analisa Kualifikasi Daun Pada Tanaman Kakao Menggunakan Neural Network“ dapat dilihat secara jelas pada Gambar 4 tahapan metode yang menunjukkan rencana atau struktur penelitian yang akan digunakan untuk melakukan klasifikasi memecahkan permasalahan dalam penelitian
ini.
Pengujia
Gambar 4. Desain Penelitian Gambar 4. Desain Penelitian merupakan langkah-langkah yang dilakukan dalam penelitian, dimulai dengan pengambilan citra daun kakao menggunakan kamera digital di sebuah perkebunan kakao di daerah Lampung. Kemudian image daun di proses seperti resize image menjadi 50x50 pixel dalam hal ini menggunakan software corel draw. Proses selanjutnya yaitu image akan diekstrak untuk mendapatkan nilai-nilai fitur yang merepresentasikan ciri spesifik dari image tersebut. Nilai fitur dari image selanjutnya digunakan untuk klasifikasi kualitas daun kakao, yaitu skewness, kurtosis, standar deviasi, mean dan entropy dari histogram warna, histogram grayscale, dan histogram tingkat saturasi. Setelah nilai fitur didapat sebagai input untuk proses selanjutnya yaitu klasifikasi. Klasifikasi pada penelitian ini menggunakan metode backpropagation dengan tahap pelatihan dan pengujian. Proses pelatihan menggunakan sebanyak 60 citra daun kakao yang akan di bagi menjadi 3 kelas yaitu 20 untuk daun rusak, 20 untuk daun rusak sedang dan 20 untuk daun sehat. Selanjutnya proses pengujian dengan menggunakan data yang tidak masuk dalam pelatihan sebanyak 30 citra daun kakao dengan pembagian kelas tiap kelas yang akan di uji masing-masing sebanyak 10 citra daun kakao untuk 3 kelas.
Tahap selanjutnya ekstraksi fitur dengan tujuan untuk mendapatkan fitur-fitur yang akan digunakan untuk melakukan klasifikasi. Fitur yang akan digunakan adalah mean, standard deviation, , kurtosis, skewness, dan entropy dari
Histogram Warna, Histogram Grayscale dan Histogram Tingkat Saturasi. Selanjutnya dilakukan proses klasifikasi. Metode yang digunakan untuk pengenalan pola dalam penelitian ini adalah Neural Network (backpropagation).
4.Hasil dan Pembahasan
Pembuatan struktur dari neural network ke dalam program harus diatur terlebih dahulu, dalam hal ini pengaturannya menggunakan metode penentuan bobot pada training dengan jaringan syaraf tiruan yaitu Lavenberg-Marquad (trainlm) dengan struktur JST menggunakan Backpropagation. Citra masukkan yang digunakan pada penelitian ini adalah citra daun kakao sebanyak 90 citra. Terdiri dari 60 input data untuk pelatihan dan 30 input data untuk pengujian. Target yang digunakan yaitu tiga dengan rincian daun rusak parah, daun rusak sedang dan daun sehat.
a. Pelatihan
Proses pelatihan dilakukan jika semua parameter jaringan syaraf sudah ditentukan, fungsi newff yang disediakan oleh Matlab dengan merubah semua data input, output dan bobot-bias dijadikan ke dalam bentuk perhitungan matriks maka pelatihan dan pengujian JST akan lebih cepat.
Gambar 5 Hubungan target dengan output jaringan
Koefisien korelasi bernilai 0.9999 (mendekati 1), menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target pada gambar 4.5 dapat dilihat perbandingan target dengan output jaringan hampir tepat menempati posisi yang sama, yaitu posisi (o) dan (*) betul-betul berada pada posisi yang sama.
b. Pengujian
Pengujian dilakukan menggunakan arsitektur terbaik yang telah diperoleh dari hasil training (pelatihan), struktur jaringan yang digunakan terdiri atas lapisan input, 2 lapisan tersembunyi, dan lapisan output. Lapisan input terdiri dari 15 neuron. Lapisan tersembunyi pertama terditi atas 10 neuron dengan fungsi aktivasi tansig, sedangkan lapisan tersembunyi kedua terdiri atas 5 neuron dengan fungsi aktivasi logsig. Lapisan output terdiri atas 1 neuron dengan fungsi aktivasi purelin.
Pemilihan bobot awal sangat mempengaruhi jaringan syaraf tiruan dalam capai minimum global terhadap nilai error, serta cepat tidaknya proses pelatihan menuju kekonvergenan. Setelah proses pelatihan maka dihasilkan bobot tersebut. Bobot-bobot jaringan yang meliputi bobot input neuron, bobot bias, bobot neuron pada hidden layer, dan bobot bias pada hidden layer dari proses pelatihan ini digunakan dalam mengevaluasi atau menguji pengidentifikasian dan klasifikasi daun kakao. Adapun hasil dari pengujian yang telah dilakukan yaitu sebagai berikut:
Gambar 6. Hasil simulasi data testing postmnmx
Gambar 6. merupakan hasil data testing pada daun kakao, dapat kita lihat bahwa data baru yang dites pada jaringan (data testing), yang disimpan pada matriks Q dengan target yang disimpan pada matriks TQ sebagian besar sudah berdekatan (hampir mendekati posisi yang sama) yanitu antara output (o) tepat jatuh pada jaringan (*) . Error terbesar pada tabel terletak pada data ke-26 yaitu pada yaitu pada daun sehat sebesar 1.55. Pengujian dilakukan sebanyak tiga kali dengan melakukan pertukaran antara data pelatihan dengan pengujian sehingga setiap data pernah menjadi data pelatihan dan data pengujian. Selanjutnya yaitu pengujian dengan mengurangi fitur-fitur yang digunakan, untuk mengetahui seberapa besar pengaruh fitur pada sistem ini. Dapat dilihat pada gambar 7 dibawah ini.
Gambar 7 pengaruh fitur
dua yaitu untuk prosentase keakuratan sebesar 0.2218 atau 22.18 % dan keakuratan tertinggi nya mencapai 0.9902 atau 99.02% dengan menggunakan fitur 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, dan fitur ke 15. Keakuratan terendah pada pengujian kedua yaitu 0.3049 atau 30.49% dengan keakuratan tertingginya mencapai 0.7125 atau 71.25% dengan menggunakan fitur 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, dan fitur 15. Keakuratan terendah pada pengujian ketiga yaitu o.2638 atau 26.38% dengan keakuratan tertinggi pada fitur 15 yaitu mencapai 0.6530 atau 65.30% dengan menggunakan fitur 2,3,4,5,6,7,8,9,10,11,12,13,14, dan fitur ke 15.
5.Kesimpulan
Penelitian yang telah dilakukan maka dapat diperoleh kesimpulan bahwa analisa kualifikasi daun pada tanaman kakao menggunakan neural network didapatkan hasil akurasi daun rusak parah 83% daun rusak sedang 96% dan daun sehat 86%.
6.Daftar Pustaka
Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Yogyakarta:Graha Ilmu.
Irawan, Feriza A. 2012. Buku Pintar Pemrograman Matlab. Yogyakarta: MediaKom Suyanto. 2011. Artificial Intelegence Searching, Reasoning, Planning, dan Learning. Bandung: Informatika.
Nugroho, A.S., Witarto, B.A., Handoko, D., 2003, “ Support Vector Machine – Teori dan Aplikasinya Dalam Bioinformatika”, Kuliah Umum Ilmu Komputer.com
Burges, J.C. (1988) :A Toturial on Support VectorMachines for Pattern
Recognition, Data Mining and
Knowledge Discovery, Vol.2, No.2, hal. 955-974.
Hsu, C.W., and Lin, C.J. (2002) :A Comparison of Methods for Multi-class
Support Vector Machines, IEEE
