LAPLACIAN OF GAUSSIAN
SKRIPSI
Diajukan Oleh :
Diajukan oleh :
LIANA FITRIANI NUNUHITU
0734010268
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
Puji syukur penyusun panjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan rahmat serta berkat-Nya, sehingga pelaksanaan Tugas Akhir yang berjudul
“DETEKSI JENIS PENYAKIT DAN PENGOBATANNYA PADA DAUN TANAMAN CABE
BERBASIS METODE LAPLACIAN OF GAUSSIAN” dapat dilaksanakan dengan lancar, sehingga laporan ini dapat diselesaikan tepat pada waktunya.
Adapun tujuan daripada pembuatan laporan Tugas Akhir ini adalah untuk menambah
wawasan, kreatifitas, ilmu pengetahuan mahasiswa dan untuk mempelajari lebih dalam lagi tentang Image Processing (Pengolahan Citra Digital).
Laporan ini dapat terselesaikan tidak lepas dari bimbingan, pengarahan, serta bantuan dan
dukungan baik bersifat material maupun spiritual dari berbagai pihak. Oleh karena itu, penulis tidak lupa untuk menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang
terkait, antara lain :
1. Jesus Christ, sebagai Tuhan dan Juru Selamat, penolong dan penghibur saya sewaktu dalam kesusahan.
2. Keluargaku : Papa Domi Stef Nunuhitu, SH, Mama Indah Ariyanti, kakak Jein Fitria
Nunuhitu, dan adik Naryo Pratama Nunuhitu yang tercinta, yang selalu memberikan dukungan serta doa untuk saya.
3. Keluarga besar Nunuhitu di Kupang dan Keluarga besar Bahren di Surabaya yang selalu
memberikan dukungan dan doa untuk saya.
6. Bapak Agus Hermanto, S.Kom selaku Dosen Pembimbing II yang telah memberikan
masukkan judul serta membimbing penulis dalam menyelesaikan laporan Tugas Akhir ini.
7. Bapak M. Irwan Afandi,ST, MSC selaku Dosen Wali dan Dosen Penguji Seminar Tugas Akhir .
8. Bapak Yusron Rijal, S.Si, MT selaku Dosen Penguji I Ujian Lisan Tugas Akhir.
9. Ibu Elvi Fatma, S.Kom, MM selaku Dosen Penguji II Ujian Lisan Tugas Akhir.
10.Bapak Crystia Aji Putra, S.Kom selaku Dosen Penguji III Ujian Lisan Tugas Akhir.
11.Bapak dan Ibu Dosen Jurusan Teknik Informatika yang telah memberikan bekal ilmu dan
pengetahuan.
12.Chanif, selaku sahabat yang selalu mendukung dan membantu, serta memotivasi saya.
13.Teman-teman Pemasa HA-03: Adel, Kak Haryo, Ko Daniel, Mbak Ribka, Kak Sang, serta
Michael kecil yang selalu setia dalam dukungan dan doa untuk saya.
14.Teman-teman Teknik Informatika 07 : Sisca , Hayu , Rhina, April, Nanda, Atik, Aldo, Adi, Faiq, Didit, Rizal, Novi, dan yang lainnya yang tidak bisa disebutkan satu persatu yang telah
banyak memberikan dukungan, bantuan, serta doa dalam menyelesaikan Tugas Akhir ini.
15.Teman-teman kos, Tia dan Fika yang telah banyak memberikan dukungan dan semangat, serta doa dalam menyelesaikan Tugas Akhir ini.
16.Super Junior, yang lewat musik dan lagu mereka memberikan semangat, motivasi, dan
18.My Compaq, laptop kesayangan yang menjadi saksi bisu atas tingkat kegilaan dikala
mengerjakan Tugas akhir ini, yang selalu menemani siang dan malam.
Penulis menyadari bahwa laporan Tugas Akhir ini jauh untuk dikatakan sempurna baik isi maupun penyajiannya. Oleh karena itu, penulis mengharapkan saran dan kritik yang bersifat
membangun bagi perbaikan laporan di masa yang akan datang.
Akhir kata semoga laporan Tugas Akhir ini dapat memberikan manfaat bagi semua pihak
yang berkepentingan .
Surabaya, 10 Juni 2011
ABSTRAK
i
KATA
PENGANTAR
ii
DAFTAR ISI
v
DAFTAR
GAMBAR
viii
DAFTAR TABEL
x
BAB
I PENDAHULUAN
1
1.1.
Latar Belakang ………. 1
1.2.
Perumusan Masalah ………. 2
1.3.
Batasan Masalah ……….. 3
1.4.
Tujuan Skripsi……….………... 3
1.5.
Manfaat Skripsi……….. 3
1.6.
Metodologi Penulisan………. 4
1.7.
Sistematika Penulisan………. 5
BAB
II TINJAUAN
PUSTAKA
8
2.1.
Image Processing (Pengolahan Citra)……… 8
2.1.1.
Perbaikan kualitas citra (image enhacement) ..…
8
2.1.2.
Pemugaran citra(image restoration)………..
9
2.1.3.
Pemampatan citra (image compression)……….... 10
2.1.4.
Segmentasi Citra……… 10
2.1.5.
Pengorakan citra (image analysis)……….
10
2.1.6.
Rekonstruksi citra (Image recontruction)……… . 11
2.2.
Konsep Dasa Pengolahan Citra….………... 11
2.3.
Deteksi Tepi..……….…….. 12
2.4.
Metode Laplacian of Gaussian (LoG)……… …… 16
2.7.2.
String Matching…………....………... 23
2.7.3.
Fuzzy String Matching……....………... 24
2.8.
Penyakit Daun Tanaman Cabe………... 25
2.8.1.
Bercak Daun (Cercospora Capsici)……... 25
2.8.2.
Bercak Bakteri (Xanthomonas Campestris pv.
Vesicatoria)………...
26
2.8.3.
Embun Tepung/Powdery Mildew (Leveillula
taurica)………...
28
2.9.
Borland C++ Bulider 6.0………... 29
BAB
III
ANALISA
DAN
PERANCANGAN
33
3.1.
Analisa Perancangan………..………..
33
3.1.1.
Identifikasi Masalah……….. 33
3.1.2.
Analisa Masalah………. 34
3.1.3.
Analisa Literatur……… 34
3.2.
Perancangan Aplikasi…………..……….. 35
3.2.1.
Arsitektur Aplikasi……… 35
3.2.2.
Desain Input……….. 35
3.2.3.
Desain Output……… 36
3.2.4.
Desain Proses………. 36
3.3.
Proses Perancangan……… 40
3.4.
Perancangan Antarmuka………. 41
BAB
IV
IMPLEMENTASI
SISTEM
47
4.1.
Kebutuhan Software dan Hardware……….
47
4.1.1.
Kebutuhan Software. ……….47
4.1.2.
Kebutuhan Hardware.……… 47
4.3.3.
Implementasi metode Laplacian of Gaussian……. 53
4.3.4.
Proses Pembandingan Matriks dan Hasil…………. 56
BAB V
UJI COBA DAN EVALUASI
67
5.1
Uji Coba Aplikasi……….
67
5.2
Evaluasi……… 72
BAB VI
KESIMPULAN DAN SARAN
74
6.1
Kesimpulan….………. 74
6.2
Saran……….. 75
Gambar 2.1 Proses Deteksi Tepi……… 14
Gambar 2.3 Proses Konvolusi Citra……….. 15
Gambar 2.4 Plot 3-D Laplacian of Gaussian……… 17
Gambar 2.5 Matriks LoG……….. 18
Gambar 2.6 Zero Crossing LoG………... 19
Gambar 2.7 Skala Grayscale……….. 20
Gambar 2.8 Contoh Thresholding………. 21
Gambar 2.9 Bercak Daun Cabe……… 26
Gambar 2.10 Bentuk Bercak Daun……… 26
Gambar 2.11 Bentuk Bercak Bakteri………. 27
Gambar 2.12 Bercak Bakteri Daun Cabe……… 27
Gambar 2.13 Bentuk Embun Tepung………. 28
Gambar 2.14 Embun Tepung Daun Cabe……… 29
Gambar 3.1 Flowchart merubah Citra ke Grayscale…..……… 36
Gambar 3.2 Flowchart Thresholding……….……… 37
Gambar 3.3 Flowchart LoG...……… 38
Gambar 3.4 Flowchart Fuzzy String Matching……… 39
Gambar 3.5 Form Antarmuka……… 41
Gambar 3.6 Button Open File………... 42
Gambar 3.7 Browse File……… 42
Gambar 3.8 Button Grayscale……….. 43
Gambar 3.9 Perubahan Citra menjadi Grayscale……… 43
Gambar 3.10 Button Threshold………..44
Gambar 3.11 Nilai ambang batas Threshold………... 44
Gambar 3.12 Citra Threshold……….. 44
Gambar 3.13 Button Laplacian of Gaussian……… 45
Gambar 3.14 Hasil LoG……… 45
Gambar 4.4 Bercak Daun Pembanding 3……….. 59
Gambar 4.5 Bercak Bakteri Pembanding 1….……….. 60
Gambar 4.6 Bercak Bakteri Pembanding 2….……….. 61
Gambar 4.7 Embun Tepung Pembanding 1……….. 63
Gambar 4.8 Embun Tepung Pembanding 2……….. 64
Gambar 5.1 Open File Picture……… 67
Gambar 5.2 Hasil Proses Deteksi Penyakit……… 68
PEMBIMBINGI :BASUKIRAHMAT,S.S,MT PEMBIMBINGII :AGUSHERMANTO,S.KOM PENYUSUN : LIANA FITRIANI NUNUHITU
ABSTRAK
Cabe merupakan salah satu bahan makanan yang banyak digemari di Indonesia. Namun saat ini, cabe menjadi kebutuhan yang langka dan mahal bagi konsumen. Hal tersebut dikarenakan penyakit yang sekarang sering menyerang tanaman cabe sehingga hasil panen berkurang. Petani cabe banyak mengalami kerugian, serta konsumen cabe harus mengeluarkan biaya yang lebih besar daripada biasanya untuk membeli cabe. Adapun dalam penanganannya dapat terjadi kesalahan seperti salah mendeteksi jenis penyakit dan salah melakukan pengobatannya.
Berdasarkan fenomena kelangkaan cabe, penulis berupaya merangcang sebuah sistem yang akurat dan tepat namun praktis dan efisien untuk mendeteksi jenis penyakit dan pengobatan terhadap tanaman cabe. Dengan melakukan deteksi tepi dengan metode Laplacian of Gaussian ini diharapkan mendapatkan hasil baik.
Pada akhirnya uji coba deteksi jenis penyakit dan pengobatannya pada daun tanaman cabe menggunakan metode Laplacian of Gaussian ini mempu menghasilkan deteksi yang akurat walaupun masih terdapat beberapa kesalahan pada akhirnya, dan berharap ke depannya dapat memudahkan masyarakat untuk melakukan deteksi jenis penyakit pada daun tanaman cabe.
Kata kunci:
1.1 Latar Belakang
Seiring dengan kelangkaan tanaman cabe di indonesia mengakibatkan meningkatnya harga cabe secara drastis di pasaran. Kelangkaan tersebut disebabkan oleh perubahan cuaca yang tidak menentu, yang mengakibatkan banyak perkebunan cabe mengalami kegagalan panen. Hal tersebut dikarenakan penyakit yang menyerang tanaman cabe sehingga hasil panen berkurang. Petani cabe banyak mengalami kerugian, serta konsumen cabe harus mengeluarkan biaya yang lebih besar daripada biasanya untuk membeli cabe. Seringkali penyakit yang menyerang tanaman cabe tidak segera bisa diatasi karena harus dilakukan pemeriksaan dan analisa jenis penyakitnya terlebih dahulu. Adapun dalam penanganannya dapat terjadi kesalahan seperti salah mendeteksi jenis penyakit dan salah melakukan pengobatannya.
Oleh karena permasalahan yang sudah dijelaskan, maka penulis pun mencoba merangcang sebuah sistem yang akurat dan tepat namun praktis dan efisien untuk mendeteksi jenis penyakit dan pengobatan terhadap tanaman cabe. Dengan melakukan deteksi tepi dengan metode
Laplacian merupakan metode yang akurat dalam deteksi tepi karena
dapat meningkatkan kualitas detail tepi.
Dengan memanfaatkan teknologi digital, yaitu dengan image atau foto akan memudahkan menganalisa jenis penyakit pada daun cabe. Petani atau masyarakat yang bukan petani hanya perlu mengambil atau menyiapkan foto dari daun cabe yang terdapat tanda-tanda penyakit setelah itu aplikasi akan langsung mendeteksi jenis panyakit pada daun cabe tersebut dan juga memberikan solusi bagaimana cara mengatasinya dan pengobatannya.
1.2 Perumusan Masalah
Berdasarkan latar belakang permasalahan tersebut di atas maka dapat dirumuskan permasalahan dalam pengajuan Tugas Akhir ini sebagai berikut :
a. Bagaimana mendeteksi penyakit tanaman cabe dengan analisis citra?
b. Bagaimana menggunakan metode Laplacian of Gaussian dengan baik agar dapat menganalisa secara tepat?
1.3 Batasan Masalah
Adapun batasan masalah dalam sistem ini antara lain:
a. Aplikasi dibuat hanya untuk mendeteksi penyakit pada daun tanaman cabe merah besar.
b. Foto yang digunakan hanya bagian daun yang terkena penyakit bukan keseluruhan daun.
c. Ukuran Width dan Height foto < 45 pixel.
d. Aplikasi ini dikembangkan dengan menggunakan bahasa pemrograman Borland C builder.
1.4 Tujuan Skripsi
Adapun penelitian ini bertujuan untuk membuat suatu implementasi dengan menggunakan metode Laplacian of Gaussian dengan masukan sebuah citra bagian dari daun cabe yang berpenyakit. Sistem diharapkan dapat membantu untuk mendeteksi penyakit pada daun tanaman cabe serta memberikan solusi penanganan atau pengobatannya sehingga dapat memberikan informasi yang bermanfaat.
1.5 Manfaat Skripsi
di perkebunan serta solusi untuk pengobatannya, tanpa harus memakan waktu lama.
Apabila diterapkan di Dinas Pertanian daerah akan memudahkan koordinasi dengan petani atau masyarakat sekitar dalam pemberian solusi penanganan masalah penyakit tanaman cabe. Sehingga petani atau masyarakat dapat lebih cepat mengambil tindakan untuk melakukan pencegahan dan pengobatan penyakit cabe agar tidak terjadi kegagalan panen dan menyebabkan kerugian pada pihak-pihak yang bersangkutan.
Dalam pengembangan IPTEK, aplikasi ini membuka jalan bagi dunia teknologi untuk merambah ke dalam bidang pertanian, membuat bidang pertanian semakin kompeten dengan perkembangan teknologi di dalamnya yang tidak hanya menyediakan kemudahan memperoleh informasi, namun juga tepat dan akurat.
1.6 Metodologi Penulisan
Beberapa metode dalam mengumpulkan data-data sebagai bahan rujukan dan informasi pendukung pelaksanaan Skripsi ini antara lain :
b. Analisa dan Perancangan Program, yaitu dari hasil studi literatur akan dibuat deskripsi umum sistem serta dilakukan analisa spesifikasi kebutuhan sistem, selain itu juga dilakukan perancangan awal aplikasi yang akan dibuat, sehingga akan dihasilkan desain antarmuka dan proses yang siap untuk diimplementasikan.
c. Pembuatan program, yaitu rancangan program yang telah dibuat diimplementasikan dengan program C++ Builder.
d. Uji coba dan evaluasi, yaitu setelah menyelesaikan pembuatan program maka akan dilakukan uji coba terlebih dahulu untuk mengidentifikasikan dan mengevaluasi permasalahan-permasalahan yang timbul untuk dapat dilakukan perbaikan (error handling).
e. Penyusunan Buku Skripsi, yaitu tahap akhir dari pengerjaan Skripsi. Buku ini disusun sebagai laporan dari seluruh proses pengerjaan Skripsi. Dari penyusunan buku ini diharapkan dapat memudahkan pembaca yang ingin menyempurnakan dan mengembangkan aplikasi ini lebih lanjut.
1.7 Sistematika Penulisan
BAB I PENDAHULUAN
Bab ini berisi tentang deskripsi umum Skripsi yang meliputi latar belakang, perumusan masalah, batasan masalah, tujuan, manfaat, serta metodologi, dan sistematika penulisan Skripsi BAB II TINJAUAN PUSTAKA
Bab ini berisi mengenai konsep dan teori-teori pembelajaran serta pemecahan masalah yang digunakan sebagai landasan untuk mendukung pembuatan Skripsi ini.
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini berisi tentang analisa dari sistem yang akan dibuat dan perancangan sistem yang meliputi deskripsi umum sistem, kebutuhan sistem, perancangan proses dan antarmuka aplikasi.
BAB IV IMPLEMENTASI SISTEM
BAB V UJI COBA DAN EVALUASI
Bab ini berisi tentang penjelasan pelaksanaan uji coba program dan evaluasi dari pelaksaaan uji coba dari program yang telah dibuat.
BAB VI PENUTUP
Bab ini berisi kesimpulan dan saran untuk pengembangan aplikasi lebih lanjut dalam upaya memperbaiki kelemahan pada aplikasi guna untuk mendapatkan hasil kinerja aplikasi yang lebih baik.
DAFTAR PUSTAKA
Pada bab ini akan dibahas tentang beberapa materi pustaka yang digunakan sebagai pendukung perancangan dan pembuatan Skripsi ini.
2.1 Image Processing ( Pengolahan Citra )
Image processing adalah suatu bentuk pengolahan atau
pemrosesan sinyal dengan input berupa gambar (image) dan ditransformasikan menjadi gambar lain sebagai keluarannya dengan teknik tertentu. Image processing dilakukan untuk memperbaiki kesalahan data sinyal gambar yang terjadi akibat transmisi dan selama akuisisi sinyal, serta untuk meningkatkan kualitas penampakan gambar agar lebih mudah diinterpretasi oleh sistem penglihatan manusia baik dengan melakukan manipulasi dan juga penganalisisan terhadap gambar. Operasi image processing dapat dikelompokkan berdasarkan dari tujuan transformasinya, seperti:
2.1.1 Perbaikan kualitas citra (Image Enhacement)
tertentu pada citra sehingga tingkat keberhasilan dalam pengolahan gambar berikutnya menjadi tinggi. Operasi ini lebih banyak berhubungan dengan penajaman dari fitur tertentu pada gambar. Untuk melakukan proses image enhancement, ada beberapa teknik operasi perbaikkan citra yang dapat dilakukan antara lain :
a. Perbaikan kontras gelap/terang
b. Perbaikan tepian objek (edge enhancement) c. Penajaman (sharpening)
d. Pemberian warna semu(pseudocoloring) e. Penapisan derau (noise filtering)
2.1.2 Pemugaran citra (Image Restoration)
Operasi pemulihan gambar bertujuan untuk mengembalikan kondisi gambar yang telah rusak atau cacat (merekonstruksi gambar) yang sebelumnya telah diketahui menjadi gambar seperti pada kondisi awal, karena adanya gangguan yang menyebabkan penurunan kualitas gambar, misalnya mengalami suatu degradasi. Degradasi dalam hal ini maksudnya, gambar menjadi agak kabur (blur) sehingga menurunkan kualitas gambar.
Operasi pemugaran citra yang dapat dilakukan antara lain : a. Penghilangan kesamaran (deblurring)
2.1.3 Pemampatan citra (Image Compression)
Kompresi gambar bertujuan untuk meminimalkan jumlah bit yang diperlukan untuk merepresentasikan citra. Hal ini sangat berguna apabila anda ingin mengirimkan gambar berukuran besar. Gambar yang berukuran besar akan berpengaruh pada lamanya waktu pengiriman. Maka dari itu kompresi gambar akan memadatkan ukuran gambar menjadi lebih kecil dari ukuran asli sehingga waktu yang diperlukan untuk transfer data juga akan lebih cepat.
2.1.4 Segmentasi citra (Image Segmentation)
Segmentasi citra bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Segmentasi citra ini berkaitan erat dengan pengenalan pola dari suatu citra digital.
2.1.5 Pengorakan citra (Image Analysis)
Pengorakan citra bertujuan untuk menghitung besaran kuantitatif dari citra untuk menghasilkan deskripsinya. Diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Operasi pengorakan citra yang dapat dilakukan antara lain :
a. Pendeteksian tepi objek (edge detection) b. Ekstraksi batas (boundary)
2.1.6 Rekonstruksi citra (Image Recontruction)
Rekonstruksi citra ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi sehingga dapat menghasilkan suatu citra baru yang lebih baik.
2.2 Konsep Dasar Pengolahan Citra
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.
Format data citra digital berhubungan erat dengan warna. Pada kebanyakan kasus, terutama untuk keperluan penampilan secara visual, nilai data digital merepresentasikan warna dari citra yang diolah. Format citra digital yang banyak dipakai adalah Citra Biner (monokrom), Citra Skala Keabuan ( grayscale ), Citra Warna ( true
color ), dan Citra Warna Berindeks.
Konsep dasar pengolahan citra dengan data masukan pokok (internal data) berupa langkah berikut :
a. Pengumpulan data yang relevan, yaitu citra digital b. Klasifikasi atau pengelompokan dengan cara pengkelasan c. Penyusunan data sesuai kelas
d. Perhitungan dan manipulasi
e. Pengujian ketelitian dan perhitungan f. Penyimpulan dan rekapitulasi hasil g. Informasi
2.3 Deteksi Tepi
Tepi (edge) adalah batas antara dua daerah dengan nilai
gray-level yang relatif berbeda atau dengan kata lain edge merupakan
tempat-tempat yang memiliki perubahan intensitas yang besar dalam jarak yang pendek.
b. Tepi landai/ lebar, sudut arah kecil. Dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan
c. Tepi yang mengandung noise. Perlu dilakukan image
enhancement.
Gambar 2.1 3 Macam Tepi Citra Digital
Deteksi tepi (Edge detection) adalah operasi yang dijalankan untuk mendeteksi garis tepi (edges) yang membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda (Pitas 1993). Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah :
b. Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra.
Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 2.2 berikut ini menggambarkan bagaimana tepi suatu gambar di peroleh :
Gambar 2.2 Proses Deteksi Tepi
bahwa tepi suatu gambar terletak pada titik-titik yang memiliki perbedaan tinggi.
Gambar 2.3 Proses Konvolusi Citra
Sebenarnya ada beberapa teknik untuk medeteksi tepi. Teknik untuk mendeteksi tepi yaitu :
a. Operator gradien pertama, contoh beberapa gradien pertama yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu operator gradien selisih-terpusat, operator sobel, operator
prewitt, operator roberts, operator canny.
c. Operator kompas, digunakan untuk mendeteksi semua tepi dari berbagai arah di dalam citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin yaitu utara, timur laut, timur, tenggara, selatan, barat, barat daya, dan barat laut. Deteksi tepi dilakukan dengan mengkonvolusikan citra dengan berbagai mask kompas, lalu dicari nilai kekuatan tepi (magnitude) yang terbesar dan arahnya. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin, yaitu utara, timur laut, timur, tenggara, selatan, barat, barat daya, dan barat laut.
2.4 Metode Laplacian of Gaussian
Menurut Renaldi Munir (2004), operator turunan kedua disebut juga operator Laplace. Operator Laplace mendeteksi lokasi tepi lebih akurat khususnya pada tepi curam. Pada tepi yang curam, turunan keduanya mempunyai persilangan nol (zero-crossing), yaitu titik dimana terdapat pergantian tanda nilai turunan kedua, sedangkan pada tepi yang landai tidak terdapat persilangan nol. Persilangan nol merupakan lokasi tepi yang akurat.
Salah satu metode deteksi tepi operator turunan kedua yang modern adalah deteksi tepi dengan menggunakan metode Laplacian of
a. Untuk mengurangi deteksi tepi yang palsu difilter dulu dengan fungsi Gaussian.
b. Laplacian of Gaussian filtering bertujuan untuk menghilangkan noise.
c. Laplacian bertujuan untuk meningkatkan kualitas detail (detail enhancement)
Laplacian of Gaussian (LoG) membentuk suatu cross-zero section, yaitu diagram yang memotong sumbu v yang menunjukkan
suatu perbedaan antara daerah terang dan gelap. Gambar 2.4 menunjukkan bentuk plot 3-D dari LoG tersebut.
Gambar 2.4 Plot 3-D Laplacian of Gaussian
Matriks yang akan digunakan dalam metode Laplacian of
Gambar 2.5 Matriks LoG
Jumlah keseluruhan koefisien dari matriks di atas adalah nol. Bentuk operator LoG untuk derivatif ke dua merupakan suatu operator linear, di mana pertama adalah menggunakan Gaussian untuk melakukan penghalusan (smoothing) dan kemudian menggunakan
Laplacian untuk memperjelas sisi.
Zero crossing dan LoG merupakan aproksimasi zero crossing
pada citra yang sudah dikalikan dengan operator LoG, yaitu melakukan
threshold dengan mengubah semua nilai positif sebagai warna putih
dan semua nilai negatif sebagai warna hitam. Zero crossing muncul antara nilai positif dan negatif dari LoG yang sudah mengalami proses
threshold.
Gambar 2.6 Zero Crossing LoG
Keuntungan zero crossing adalah menghasilkan deteksi sisi yang lebih tipis dan sudah menghilangkan noise. Kerugiannya adalah menghasilkan closed-loop (efek spagheti) sehingga mengakibatkan komputasi yang lama. Sehingga gradient lebih sering digunakan.
2.5 Grayscale
Proses awal yang dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra grayscale, hal ini bertujuan untuk menyederhanakan model citra. Gambar yang memiliki 3 channel warna (RGB/Red Green Blue) dapat diubah menjadi gambar single
channel Greyscale (Gonzales & Woods, 2000). Greyscale atau Grayscale adalah sebuah teknik yang digunakan dalam pengolahan
yang memiliki intensitas paling besar sampai hitam yang memiliki intensitas paling rendah seperti yang terlihat pada gambar 2.7 berikut:
Gambar 2.7 Skala grayscale
Untuk mengubah dari tipe RGB menjadi Grayscale, dapat menggunakan cara mencari rata-rata ketiga channel. Untuk mendapatkan nilai Grayscale suatu pixel digunakan persamaan berikut:
Y= (R)+(G)+(B) (2.1) 3
Keterangan : Y= nilai pixel hasil R= nilai pixel Red G= nilai pixel Green B= nilai pixel Blue
2.6 Thresholding
Thresholding digunakan untuk mengatur jumlah derajat
keabuan dengan 16. Proses thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada citra, sehingga untuk melakukan
thresholding dengan derajat keabuan dapat digunakan rumus:
(2.2) dimana :
w adalah nilai derajat keabuan sebelum thresholding x adalah nilai derajat keabuan setelah thresholding
(2.3)
[image:32.612.170.486.214.657.2]Berikut ini contoh thresholding mulai di 256, 16, 4 dan 2 :
Untuk mencoba melakukan proses thresholding, perlu dibuat program untuk dapat mengubah-ubah nilai tresholding sesuai keinginan. Sehingga perlu ditampilkan dua citra, yaitu citra asli
(gray-scale) dan hasil thresholding dengan nilai thresholding yang
ditentukan melalui input seperti terlihat pada gambar 2.8.
Ada 2 metode thresholding, yaitu thresholding statis dan
thresholding dinamis. Pada Thresholding statis, pengguna bebas
menentukan nilai ambang batas yang diingikan, biasannya nilai ambang batas yang dipilih adalah 128. Karena merupakan nilai tengah antara 0 dan 255.
Pada Thresholding dinamis, nilai ambang batas berubah-ubah secara otomatis mengikuti algoritma yang diterapkan sampai menemukan nilai ambang batas yang sebenarnya dari citra yang diinputkan. Metode thresholding dinamis ini disebut metode Iteratif.
2.7 Logika Fuzzy String Matching
metode pencarian string (string searching) yang tepat. Proses pencocokan string (string matching) yang merupakan bagian utama dalam proses pencarian string memegang peranan penting untuk mendapatkan data yang sesuai dengan kebutuhan informasi tersebut.
2.7.1 Logika Fuzzy
Sistem fuzzy atau logika fuzzy adalah salah satu bahasan soft
computing yang memiliki karakteristik dan keunggulan dalam
menangani permasalahan yang bersifat ketidakpastian dan kebenaran parsial. Logika fuzzy merupakan pengembangan dari logika boolean yang hanya memiliki nilai true (1) atau false (0).
2.7.2 String Matching
Secara sederhana konsep string matching dapat diterjemahkan sebagai sebuah cara untuk mencari string yang sama dalam sebuah kumpulan teks (dokumen) atau database. Konsep ini mirip dengan fungsi Find dalam aplikasi pengolah kata (word processor) atau di
Query database. Namun dalam perkembangannya, string matching
tidak hanya didefiniskan sebagai konsep sederhana tersebut. String
matching sudah dilengkapai dengan metoda koreksi berdasarkan
pola-pola tertentu. Beberapa konsep string matching antara lain:
String Matching dengan algoritma kesalahan atau sering
terhadap pola-pola string (mengandung beberapa proses yaitu mengitung jumlah karakter yang berbeda, penyisipan dan penghapusan karakter) sehingga mendekati pola atau pattern dari
string yang dicari. Dari wikipedia didefinisikan sebagai sebuah
teknik untuk mencari sebuah pola yang mendekati string dari sebuah kumpulan text.
Algoritma pencarian string adalah sebuah proses pencarian tempat
dari satau atau beberpa string yang ditemukan dalam sebuah kumpulan string atau text. Jalan paling sederhana adalah dengan cara membaca karakter satu prsatu dan melakukan perhitungan kesalahan posisi yang ada dari string yang dicari.
Metode approximate string matching diarahkan untuk mencari nilai dari beberapa string yang mendekati dan tidak hanya mengasilkan cocok atau tidak cocok. Metoda yang dipergunakan dalam penelitian ini adalah fuzzy string matching.
2.7.3 Fuzzy String Matching
Fuzzy String Matching adalah salah satu metode pencarian string yang menggunakan proses pendekatan terhadap pola dari string
yang dicari. Metode ini termasuk dalam katagori inexact matching. Konsep ini melakukan pencarian terhadap string yang sama dan juga
string yang mendekati dengan string lain yang terkumpul dalam
Kunci dari konsep pencarian ini adalah bagaimana memutuskan bahwa sebuah string yang dicari memiliki kesamaan dengan string tertampung di kamus, meskipun tidak sama persis dalam susunan karakternya. Untuk memutuskan ‘kesamaan’ ini dipergunakan sebuah fungsi yang diistilahkan sebagai similarity function. Berbagai metoda sudah dikembangkan dalam menentukan similarity function. Fungsi ini akan bertugas memutuskan string hasil pencarian jika ditemukan
string hasil pendekatan (aproksimasi).
2.8 Penyakit Daun Tanaman Cabe
Adapun jenis-jenis penyakit pada daun tanaman cabe serta cara pengobatannya antara lain :
2.8.1 Bercak daun (Cercospora capsici)
Gambar 2.9 Bercak Daun Cabe
Gambar 2.10 Bentuk bercak daun
Pengendalian dapat dilakukan dengan fungisida Kocide 54WDG konsetrasi 1.5 sampai 3 gram/liter bergantian dengan victory 80WP konsentrasi 2 sampai 4 gram/liter dengan interval 7 hari.
2.8.2 Bercak bakteri (Xanthomonas campestris pv. vesicatoria)
beraturan (Gambar 2.11). Gejala sangat jelas terlihat di permukaan daun sebelah atas (Gambar 2.12).
[image:38.612.186.446.224.597.2]Penaggulangannya dengan merendam benih menggunakan bakterisida berbahan aktif stretomisin sulfat dan oksitetrasiklin.
Gambar 2.11 Bentuk bercak bakteri
Daun, ranting dan buah yang berserakan di atas bedengan agar di bersihkan dan dimusnahkan. Rotasi tanaman dengan tanaman bukan famili cabai sangat dianjurkan.
Tekan serangan bercak bakteri ini dengan fungisida berbahan aktif tembaga seperti Kocida 60 WDG, Cupravit, Trimiltox.
2.8.3 Embun tepung/ Powdery Mildew (Leveillula taurica)
[image:39.612.178.488.286.547.2]Pada kebun cabai dengan penanaman di dataran tinggi yaitu 700 m dpl keatas, sering kena serangan penyakit ini. Pada gambar 2.13 bisa dilihat permukaan atas daun tampak bercak nekrotis berwarna kekuningan.
Gambar 2.14 Embun tepung daun cabe
Jika daun dibalik, tampaklah “tepung” berwarna putih keabu-abuan (Gambar 1.14). Serangan dimulai dari daun tua ke muda.
Penyakit ini dapat ditanggulani dengan menyemprot fungisida berbahan aktif karbendazim. Embun tepung yang disebabkan oleh cendawan Oidiopsis sicula Scal dapat dikendalikan dengan Afugan 300 EC, Rubigan 120 EC.
2.9 Borland C++ Builder 6.0
Dengan C++ builder, kita dapat melakukan desain, testing, debugging maupun proses development aplikasi secara mudah.
Bahasa dasar yang digunakan dalam C++ builder adalah bahasa C++ yang sudah terkenal keampuhannya dalam hal pembuatan sebuah aplikasi atau program.Tapi harus diakui bahwa tingkat keteraturan dan kemudahan dari bahasa C++ relatif lebih rendah dibandingkan dengan bahasa object pascal, namun dengan mempelajari konsep-konsep yang terdapat didalamnya, tentu C++ akan menjadi bahasa yang mudah untuk dipahami dan digunakan.
C++ builder menawarkan kemudahan dan kenyamanan dalam proses pengembangan aplikasi sehingga mudah untuk digunakan oleh siapapun.Inilah yang menjadi salah satu alas an kenapa penulis lebih memilih bahasa pemograman Borland C++ builder dibanding bahasa pemograman lain.
Pengeksekusian yang didasarkan pada kejadian (event) tertentu.Dimana dari setiap kejadian itu terdapat sauatu kode program tersendiri yang disimpan sebagai suatu fungsi. Dan ini yang membedakan Bahasa C++ builder dengan bahasa pemograman yang bersifat procedural dimana dimana proses pengeksekusian dimulai dari awal sampai akhir program secara beruntun.
Sekarang kita akan mengenali IDE (Integrated Development
Environment) atau lingkungan yang ada didalam bahasa pemograman
Main Window, object Treeview, From designer, Object inspector dan Code editor. Dalam Borland C++Builder kita bisa membangun multi
project secara simultan. Bahkan mampu membangun aplikasi database
client/server performa tinggi, yang mampu:
a. Mengakses Microsoft SQL Server b. Mengakses Microsoft Access
c. Memakai Database desktop menggunakan Paradox7
Secara umum fasilitas baru Borland C++Builder 3 terbagi atas enam kelompok besar, yaitu :
a. Akses Data
Borland C++Builder 6 menghadirkan banyak fasilitas baru yang mempercanggih aplikasi database, antara lain BDE (Borland database Engine), ADO (ActiveX Data Object), data binding dinamis, OLE DB pada interface COM (Component Object Model), Query Designer dan Database Designer, setup wizard dan Data Report, Data Source dan Window Data Viev, SQL Editor, kontrol FlexGrid, Data Repeater, Data Form wizard, dan Data Object wizard, File System Object, Format Object, kontrol DataGrid, Kontrol DataList dan kontrol DataCombo.
b. Internet
AsyncRead, serta dukungan ActiveX documents pada Internet Explorer dalam hal download ActiveX Documents.
c. Koleksi Kontrol
3.1 Analisa Perancangan
Pada analisa perancangan terdapat beberapa proses perancangan system. Proses-proses tersebut yakni identifikasi masalah, analisis masalah, dan analisa literatur.
3.1.1 Identifikasi Masalah
Masalah yang dihadapi dalam pembuatan aplikasi ini adalah dalam proses pengerjaannya tidak dapat menggunakan citra daun keseluruhan Karena morfologi atau bentuk daun cabe tidak selalu sama atau berbeda-beda sehingga sulit untuk menentukan ciri spesifik dari penyakit pada daun yang diderita.
Citra input yang digunakan harus mempunyai ukuran yang
Dengan menggunakan citra yang berukuran kecil, dapat memungkinan untuk menghasilkan nilai deteksi yang lebih akurat. Karena ruang lingkup pengecekan citra lebih spesifik.
3.1.2 Analisis Masalah
Masalah utama dalam pembangunan aplikasi ini adalah bagaimana menerapkan metode Laplacian of Gaussian untuk mendeteksi tepi pada citra guna menentukan jenis penyakit pada daun cabe.
Dengan metode Laplacian of Gaussian ini akan menghasilkan deteksi tepi citra yang kemudian dikonversi ke dalam nilai matriks yang berbentuk biner. Matriks tersebut akan digunakan dalam proses perbandingan dengan String (matriks) pembanding yang sudah ada dengan menggunakan metode Fuzzy String Matching.
3.1.3 Analisis Literatur
Untuk menunjang pembangunan aplikasi ini, dilakukan pula analisis literatur sebagai media pembelajaran. Buku-buku ataupun artikel-artikel online dari internet yang berkaitan dengan Laplacian of
Gaussian dalam pembuatan aplikasi ini dikaji serta dianalisa agar
mampu direpresentasikan dalam bahasa pemrograman computer. Artikel-artikel online tentang grayscale, threshold, serta Fuzzy
aplikasi. Begitu pula dengan buku-buku yang membahas tentang pengenalan Borland C++ Builder 6.0 perlu dipelajari sehingga dapat membantu menyelesaikan pembuatan aplikasi ini.
3.2 Perancangan Aplikasi
Pada perancangan aplikasi terdapat beberapa proses yaitu proses arsitektur aplikasi, desain input, desain output, dan desain proses.
3.2.1 Arsitektur Aplikasi
Aplikasi ini memiliki arsitektur yang sederhana yakni bekerja dengan menerima input berupa gambar atau citra yang kemudian menghasilkan output berupa informasi penyakit. Citra merupakan faktor yang sangat penting dalam aplikasi ini. Karena Citra input inilah yang akan diproses sedemikian rupa dalam aplikasi sehingga dapat mendeteksi jenis penyakit yang diderita.
3.2.2 Desain Input
Input yang akan diterima oleh aplikasi ini adalah foto atau citra
3.2.3 Desain Output
Output yang dihasilkan oleh aplikasi ini adalah informasi jenis
penyakit yang terdapat pada daun cabe dan cara pengendalian terhadap jenis penyakit tersebut.
3.2.4 Desain Proses
Aplikasi ini bekerja dengan menggunakan sederetan image
processing. Pada proses tersebut, citra input akan diubah menjadi citra grayscale (keabuan). Untuk lebih jelasnya dapat dilihat dalam bentuk flowchart pada Gambar 3.1.
[image:47.612.161.447.324.646.2]
Setelah citra grayscale terbentuk kemudian akan masuk pada proses thresholding. Prose threshold merubah citra grayscale menjadi citra hitam-putih. Berikut Flowchart proses threshold pada gambar 3.2.
START
Grayscale
Mencari nilai T (ambang batas)
Gray > T ?
Gray = 255 Gray = 0
Citra hitam-Putih
END
[image:48.612.189.477.204.646.2]YA TIDAK
Citra hasil threshold akan diproses dengan metode Laplacian
of Gaussian (LoG). Untuk membentuk deteksi tepi yang lebih halus.
Untuk lebih jelasnya dapat dilihat dalam bentuk Flowchart proses
Laplacian of Gaussian pada gambar 3.3
.
Setelah itu diterapkan metode Fuzzy String Matching untuk membandingkan matriks hasil LoG dengan String (matriks) pembanding sehingga dapat dideteksi jenis penyakit pada citra daun.
String pembanding didapatkan melalui tahap yang sama yaitu grayscaling, Thresholding, dan LoG. Berikut Flowchart proses Fuzzy String Matching pada gambar 3.4.
[image:50.612.162.488.262.643.2]
3.3 Proses Perancangan
Proses perancangan ini akan dijelaskan tentang alur kerja proses aplikasi deteksi jenis penyakit dan pengobatannya pada daun cabe. Dalam aplikasi Deteksi Penyakit pada Daun Tanaman Cabe ini, dibutuhkan inputan awal berupa gambar atau foto daun cabe yang terserang penyakit. Gambar atau foto ini disebut citra input. Citra input inilah yang akan diproses sedemikian rupa dalam aplikasi sehingga dapat mendeteksi jenis penyakit yang diderita.
Citra yang telah mempunyai ukuran yang sesuai kemudian akan di proses menjadi citra grayscale (Keabuan). Selanjutnya, citra
grayscale akan di proses lagi dengan metode Thresholding. Citra yang
telah di-Threshold akan menjadi citra hitam-putih yang memiliki nilai pixel 0 untuk hitam dan pixel 255 untuk putih. Pada proses akhir, citra hitam-putih tersebut akan di proses dengan metode Laplacian of
Gaussian untuk mendeteksi tepi dan menghilangkan noise.
Setelah melalui metode Laplacian of Gaussian, citra hasil akan diubah ke dalam bentuk matriks kemudian akan dibandingkan dengan matriks citra pembanding (citra daun yang berpenyakit). Untuk melakukan pencocokan matriks digunakan metode Fuzzy String
Dari hasil pencocokan matriks akan diketahui jenis penyakit yang menyerang daun tersebut. Hasil deteksi berupa informasi jenis penyakit dan solusi pengobatannya.
3.4 Perancangan Antarmuka
Pada aplikasi ini, pembuatan form dilakukan secara sederhana yaitu hanya terdapat 1 form utama sebagai interface (antarmuka). Pada form utama Form dapat dilihat pada gambar 3.5.
[image:52.612.160.515.288.572.2]
Setelah Form utama dibuka, selanjutnya citra asli akan diinputkan ke dalam aplikasi. Untuk menginputkan file foto atau gambar, tekan komponen button “Open File” (Gambar 3.6).
Gambar 3.6 Button Open File
Setelah itu akan muncul new window untuk browser dimana
file gambar yang akan digunakan berada (Gambar 3.7). Kemudian pilih
gambar yang diinginkan untuk dideteksi.
Setelah citra asli diinputkan, maka kita dapat menjalankan fungsi grayscale terlebih dahulu sebagai tahap awal pendeteksian penyakit. Untuk mengubah citra menjadi grayscale tekan komponen
[image:54.612.164.481.253.545.2]button “Grayscale” pada menu form utama (Gambar 3.8).
Gambar 3.8 Button Grayscale
itu akan muncul hasil dari grayscaling yang telah dilakukan (Gambar 3.9).
Gambar 3.9 Perubahan Citra menjadi Grayscale
citra menjadi hitam-putih. Untuk menjalankan fungsi threshold, tekan komponen button “Threshold” pada form aplikasi (Gambar 3.10).
Gambar 3.10 Button Threshold
Pada aplikasi juga akan terlihat nilai ambang batas akhir (T) pada proses trhesholding (Gambar 3.11).
Gambar 3.11 Nilai Ambang Batas Threshold (T)
[image:55.612.255.391.545.643.2]Setelah itu akan muncul hasil Threshold yang dapat dilihat pada gambar 3.12 sebagai berikut :
Untuk proses selanjutnya, citra threshold akan dimasukan pada metode Laplacian of Gaussian untuk mendeteksi tepi citra. Fungsi LoG dapat dilakukan dengan tekan button “Laplacian of Gaussian” (Gambar 3.13).
Gambar 3.13 Button Laplacian of Gaussian
Setelah menjalankan fungsi LoG, maka akan muncul hasil citra LoG (Gambar 3.14) sebagai berikut :
Tahap akhir dilakukan pencocokan matriks (string) dengan
Fuzzy String Matching. Untuk melakukan fungsi pencocokan matriks,
[image:57.612.163.526.230.519.2]tekan button “Hasil”. Setelah itu, hasil akhir akan terlihat, yaitu jenis penyakit yang diderita dan cara pengendaliannya (Gambar 3.15).
4.1 Kebutuhan Software dan Hardware
Dalam pembuatan aplikasi ini, dibutuhkan software dan hardware dengan spesifikasi yang mendukung sehingga tidak terjadi kendala-kendala yang tidak diharapakan dalam proses pembuatannya.
4.1.1 Kebutuhan Software
Software utama yang digunakan dalam pembuatan aplikasi ini adalah Borland C++ Builder 6.0. Borland C++ Builder 6.0 merupakan tools bahasa pemograman C++ berguna untuk desain, testing, debugging maupun proses development aplikasi.
4.1.2 Kebutuhan Hardware
Hardware yang digunakan dalam pembuatan aplikasi ini yaitu Laptop dengan spesifikasi sebagai berikut:
Sistem operasi windows 7,
Intel Core 2 duo
Processor T6500,
RAM 2.00Gb,
4.2 Penjelasan Program
Aplikasi ini dibuat untuk mendeteksi jenis penyakit pada daun cabe serta memberikan solusi penanganannya. Yang dibutuhkan dalam menjalankan aplikasi ini adalah citra. Citra tersebut akan diproses melewati 4 tahapan image processing.
Tahap pertama citra diubah menjadi citra grayscale. Tahap kedua, citra grayscale diubah menjadi citra hitam-putih dengan
threshold. Tahap selanjutnya yaitu mendeteksi tepi dengan metode Laplacian of Gaussian. Setelah mendeteksi tepi, maka pada tahap
akhir dilakukan pencocokan nilai matriks citra dengan nilai String (matriks) pembanding untuk menentukan jenis penyakit yang diderita.
4.3 Implementasi Image Processing
Untuk mendapatkan hasil deteksi tepi yang baik, dilakukan beberapa tahapan image processing.
4.3.1 Proses Konversi Citra Asli menjadi Grayscale
Dalam aplikasi ini, pada tahap awal sebelum melakukan pendeteksian tepi, citra input akan diubah terlebih dahulu menjadi citra
grayscale (keabuan). Tahap awal proses grayscale dimulai dengan
mencari atau meghitung nilai warna RGB, yaitu nilai Red (merah),
Setelah mendapatkan nilai RGB, maka nilai tersebut akan dimasukkan ke dalam rumus sebagai berikut :
Y= (R)+(G)+(B) 3
Keterangan :
Y = Nilai grayscale; R = Nilai red; G = Nilai green; B = Nilai Blue.
Berikut source code untuk mengkonversi citra ke
grayscale:
int iImageWidth, iImageHeight,red,green,blue,gray,warna; Image1->Canvas->Draw(0,0,jpgImage->Graphic);
ImageWidth = Image1->Width; iImageHeight = Image1->Height;
for (int iWhichXPixel = 0; iWhichXPixel < iImageWidth; iWhichXPixel++) {
for (int iWhichYPixel = 0; iWhichYPixel < iImageHeight; iWhichYPixel++) {
warna = Image1->Canvas->Pixels[iWhichXPixel][iWhichYPixel]; red = GetRValue(warna);
green = GetGValue(warna); blue = GetBValue(warna); gray = (red+green+blue)/3;
COLORREF ClrMine = RGB(gray, gray, gray);
Image1->Canvas->Pixels[iWhichXPixel][iWhichYPixel]= ClrMine; }
4.3.2 Proses Threshold
Setelah citra input diubah menjadi citra grayscale, maka tahap selanjutnya citra akan mengalami proses thresholding. Proses
threshold merupakan proses di mana citra akan diubah menjadi citra
hitam-putih.
Selama proses thresholding, individu pixel dalam gambar ditandai sebagai "objek" pixel jika nilai objek lebih besar dari beberapa nilai threshold (asumsi benda menjadi lebih terang daripada latar belakang) dan jika sebaliknya maka ditandai sebagai “latar belakang” pixel.
Konvensi ini dikenal sebagai ambang atas. Ada juga yang disebut nilai ambang bawah. Apabila nilai pixel berada diantara ambang atas dan bawah, maka pixel ditandai sebagai “objek” sehingga disebut threshold inside. Threshold outside merupakan kebalikan dari
threshold inside dimana nilai pixel berada diluar ambang batas
(Shapiro, et. 2001 al: 83).
Biasanya, sebuah pixel objek diberi nilai "1" sementara piksel latar belakang diberikan nilai ”0”. Pada akhirnya, suatu citra biner dibentuk oleh pixel warna putih atau hitam, tergantung pada label pixel.
manual memilih nilai ambang batas. Sedangkan threshold dinamis terdapat algoritma menghitung ambang batas secara otomatis.
Threshold yang digunakan dalam aplikasi ini adalah threshold
dinamis. Apabila nilai pixel lebih besar dari nilai ambang batas maka pixel akan berwarna putih, sebaliknya apabila nilai pixel lebih kecil maka pixel akan berwarna hitam.
Salah satu metode Threshold dinamis yang relatif sederhana dan tahan terhadap noise adalah metode iteratif. Berikut algoritma metode iteratif :
a. Ambang awal (T) dipilih, hal ini dapat dilakukan secara acak atau sesuai dengan metode lainnya yang diinginkan. b. Gambar akan tersegmentasi ke dalam piksel objek dan latar
belakang seperti diuraikan di atas, menciptakan dua set:
G 1 = {f (m, n): f (m, n)> T} (piksel obyek)
G 2 = {f (m, n): f (m, n) <=T} (piksel latar
belakang) (catatan, f (m, n) adalah nilai dari pixel yang terletak di kolom m, baris n)
c. Rata-rata masing-masing set dihitung.
m1 = nilai rata-rata 1 dari G 1
m2 = nilai rata-rata 2 dari G 2
e. Kembali ke langkah dua, sekarang menggunakan ambang batas baru dihitung pada langkah empat, terus mengulanginya sampai ambang baru cocok dengan satu sebelum itu (yaitu sampai konvergensi telah tercapai). Setelah itu akan didapat nilai ambang batas akhir yang akan menentukan pixel mana yang diubah menjadi hitam, dan mana yang menjadi putih.
int iImageWidth,
iImageHeight,pixel,T=128,t=0,jmlNNol,jmlNSatu,jmlNol,jmlSatu,warna,gray,m1 ,m2;
iImageWidth = Image2->Width; iImageHeight = Image2->Height;
do { t=T; jmlNol =1 ; jmlNNol =0; jmlSatu =1; jmlNSatu =0;
for (int iWhichXPixel = 0; iWhichXPixel < iImageWidth; iWhichXPixel++) {
for (int iWhichYPixel = 0; iWhichYPixel < iImageHeight; iWhichYPixel++)
{
warna = Image1->Canvas->Pixels[iWhichXPixel][iWhichYPixel]; gray = (GetRValue(warna)+GetGValue(warna)+GetBValue(warna))/3; if (gray > T)
{ jmlNol +=1; jmlNNol +=gray; } else { jmlSatu +=1; jmlNSatu +=gray; } } } if (jmlNol>1) jmlNol-=1; if(jmlSatu>1) jmlSatu-=1;
m1 = jmlNNol/jmlNol; m2 = jmlNSatu/jmlSatu; T = (m1+m2)/2;
4.3.3 Implementasi Metode Laplacian of Gaussian
Dalam aplikasi ini, yang berperan penting adalah penerapan metode Laplacian of Gaussian (LoG). Setelah citra mengalami
thresholding, maka tahap selanjutnya adalah menerapkan metode LoG
ke dalam program. Metode LoG ini digunakan untuk mendeteksi tepi dari citra hitam-putih. Metode modern ini banyak digunakan karena dapat mendeteksi tepi dengan hasil yang lebih baik.
Pada metode LoG, citra akan di filter dahulu sehingga akan mengurangi atau menghilangkan noise pada citra sehingga kualitas detail tepi menjadi lebih baik/lebih kelihatan. Metode Log ini membentuk suatu cross-zero section yaitu diagram yang memotong sumbu v yang akan menunjukan perbedaan antara daerah gelap dan terang. Dengan demikian, metode ini akan menghasilkan deteksi tepi yang lebih halus dan sudah menghilangkan noise.
for (int iWhichXPixel = 0; iWhichXPixel < iImageWidth; iWhichXPixel++) {
for (int iWhichYPixel = 0; iWhichYPixel < iImageHeight; iWhichYPixel++)
{
warna = Image1->Canvas->Pixels[iWhichXPixel][iWhichYPixel]; gray = GetRValue(warna);
if (gray>T) gray = 255 ; else
gray = 0;
COLORREF ClrMine = RGB(gray, gray, gray);
Image4->Canvas->Pixels[iWhichXPixel][iWhichYPixel]= ClrMine; }
Matriks yang digunakan dalam metode ini adalah matriks 5x5 sebagai berikut :
Gambar 4.1 Matriks 5x5 LoG
bawah sebelah kanan. Hasil perkalian kedua matriks akan menghasilkan deteksi tepi yang halus dan sudah menghilangkan noise.
for (int iWhichXPixel = -2 ; iWhichXPixel < iImageWidth-2; iWhichXPixel++) {
for (int iWhichYPixel = -2 ; iWhichYPixel < iImageHeight-2; iWhichYPixel++)
{
gray_log=0; for (int i=0;i<5;i++) {
for (int j=0;j<5;j++) {
if (i+iWhichXPixel < 0 || j+iWhichYPixel < 0) gray =0;
else{
warna = Image4->Canvas->Pixels[iWhichXPixel+i][iWhichYPixel+j]; gray = GetRValue(warna);
}
gray_log += (log[i][j]*gray); }
}
if (gray_log <0) gray_log=0;
else if (gray_log > 255) gray_log = 255;
COLORREF ClrMine = RGB(gray_log, gray_log, gray_log);
Image3->Canvas->Pixels[iWhichXPixel+2][iWhichYPixel+2]= ClrMine; }
}
int iImageWidth, iImageHeight,gray_log,gray,warna; iImageWidth = Image2->Width;
iImageHeight = Image2->Height; int log[5][5];
4.3.4 Proses Pembandingan String (Matriks) dan Hasil
Pembandingan matriks digunakan untuk mendapatkan hasil akhir berupa jenis-jenis penyakit beserta cara pengendaliannya. Untuk pembandingan matriks ini, digunakan Fuzzy String Matching. Fungsi
Fuzzy String Matching untuk menbandingkan antara matriks citra
dengan String (matriks) pembanding.
Dengan metode ini, akan dilakukan pengecekan satu per satu matriks dari koordinat pixel (0,0) hingga koordinat pixel terakhir. Dengan demikian akan menghasilkan baik.
Untuk mendeteksi penyakit yang diderita, digunakan String pembanding. String pembanding ini menggambarkan ciri dari jenis penyakit yang ada pada daun cabe. String pembanding didapatkan dengan proses yang sama yaitu melewati tahap grayscaling,
thresholding, dan LoG. String pembanding ini sudah dijalankan
terlebih dahulu dan di simpan dalam array (pada source code) sehingga mendapatkan hasil string untuk dibandingkan dengan string citra input.
Citra pembanding yang digunakan untuk penyakit Bercak Daun (Cercospora capsici) sebanyak 3 citra yang telah diproses dengan tahap grayscaling, thresholding, dan LoG sehingga menghasilkan
a. Bercak Daun Pembanding 1
[image:68.612.163.490.201.645.2]Gambar 4.2 menunjukan citra pembanding yang pertama untuk penyakit bercak daun.
Gambar 4.2 Bercak Daun Pembanding 1
String pembanding yang dihasilkan dari citra di atas setelah melalui tahap grayscaling, thresholding, dan LoG adalah :
Boolean cocok=false;
int iImageWidth, iImageHeight,gray,warna; String bd[3],bb[2],et[2];
String buf="";
bd[0] =
b. Bercak Daun pembanding 2
[image:69.612.176.505.183.677.2]Gambar 4.3 menunjukan citra pembanding yang kedua untuk penyakit bercak daun.
Gambar 4.3 Bercak Daun Pembanding 2
String pembanding yang dihasilkan dari citra di atas setelah melalui tahap grayscaling, thresholding, dan LoG adalah :
Boolean cocok=false;
c. Bercak Daun Pembanding 3
[image:70.612.178.507.174.661.2]Gambar 4.4 menunjukan citra pembanding yang ketiga untuk penyakit bercak daun.
Gambar 4.4 Bercak Daun Pembanding 3
String pembanding yang dihasilkan dari citra di atas setelah melalui tahap grayscaling, thresholding, dan LoG adalah :
Boolean cocok=false;
Citra pembanding yang digunakan untuk penyakit Bercak Bakteri (Xanthomonas campestris pv. vesicatoria) sebanyak 2 citra yang telah diproses dengan tahap grayscaling, thresholding, dan LoG sehingga menghasilkan string pembanding sebagai berikut :
a. Bercak Bakteri Pembanding 1
[image:71.612.183.447.255.472.2]Gambar 4.5 menunjukan citra pembanding yang pertama untuk penyakit bercak bakteri.
Gambar 4.5 Bercak Bakteri Pembanding 1
String pembanding yang dihasilkan dari citra di atas setelah melalui tahap grayscaling, thresholding, dan LoG adalah :
bb[0]="0000000000000000000000000000000011111111100000000000000000000 00000000000011111111100000000000000000000000000000000110000000000000 00000000000000000000001001100000000000000000000000000000000000000001 10000000000000000000000000000000000000001100000000000000000000000000 00000000000001100000000000000000000000000000110000000011000000000000 00000000000000001000000000011000000000000000000000000000000000000000 11000000000000000000000000000000000011000110000000000000000000000000 00000001110000110000000000000000000000000111001111100001100000000000 00000000000000001111111100001100000000000000000000000000011111111100 01100000000000000000000000011111001011100110000000000000000000000000 11101111111100011000000000000000000000000110001101110000110000000000 00000000000111100000011000000110000000000000000000001011000000110001 00110000000000000000000001011000001100001001100000000000000000000111 10000011100000001100000000000000000000111000001111000000011000000000 00000000000011010011000000000011000000000010000";
b. Bercak Bakteri Pembanding 2
[image:72.612.157.491.162.517.2]Pada Gambar 4.6 akan menunjukan citra pembanding yang kedua yang digunakan sebagai pembanding untuk penyakit bercak bakteri.
Gambar 4.6 Bercak Bakteri Pembanding 2
String pembanding yang dihasilkan dari citra di atas setelah melalui tahap grayscaling, thresholding, dan LoG adalah :
Sedangkan untuk penyakit Embun Tepung / Powdery Mildew (Leveillula taurica) Citra pembanding yang digunakan sebanyak 2 citra yang telah diproses dengan tahap grayscaling, thresholding, dan LoG sehingga menghasilkan string pembanding sebagai berikut :
a. Embun Tepung Pembanding 1
Citra pembanding yang pertama untuk jenis penyakit embun tepung dapat dilihat pada gambar 4.7 berikut :
Boolean cocok=false;
Gambar 4.7 Embun Tepung Pambanding 1
String pembanding yang dihasilkan dari citra di atas adalah :
et[0] = et[0]
b. Embun Tepung Pembanding 2
[image:75.612.179.508.201.609.2]Citra pembanding yang pertama untuk jenis penyakit embun tepung dapat dilihat pada gambar 4.8 berikut :
Gambar 4.8 Embun Tepung Pembanding 2
Berikut hasil string pembangding yang didapatkan dari citra di atas melalui tahap grayscaling, thresholding, dan LoG :
et[1] =
String (Matriks) dari citra yang telah di-LoG akan dibandingan
dengan String (matriks) pembanding untuk mendapatkan hasil jenis penyakit yang diderita. Pembandingan String ini menggunakan metode
Fuzzy String Matching. Dari beberapa referensi menyatakan Fuzzy String Matching merupakan metode pembandingan matriks yang dapat
menghasilkan tingkat kecocokan yang cukup akurat dibanding metode lainnya.
et[1] = et[1]
for (int iWhichXPixel = 0; iWhichXPixel < iImageWidth; iWhichXPixel++) {
for (int iWhichYPixel = 0; iWhichYPixel < iImageHeight; iWhichYPixel++) {
warna = Image3->Canvas->Pixels[iWhichXPixel][iWhichYPixel]; gray= GetRValue(warna);
if (gray==255) gray=1; else gray=0;
buf = buf + gray; }
}
float h; int bnr=0; if (bnr==0){
for (int j=0;j<2;j++) {
h=fuzzymatch(et[j],buf); if (h > 0.69f)
{ bnr=3; break; } } } if (bnr==0){
for (int i=0;i<3;i++){
h=fuzzymatch(bd[i],buf); if (h > 0.54f)
{ bnr=1; break; } } } if (bnr==0){
for (int j=0;j<2;j++) {
h=fuzzymatch(bb[j],buf); if (h > 0.51f)
5.1 Uji Coba Aplikasi
Untuk mengetahui sejauh mana kemampuan aplikasi ini bekerja dalam mendeteksi penyakit pada daun cabe, maka perlu dilakukan pengujian. Pengujian ini dilakukan dengan memberikan beberapa contoh citra penyakit daun cabe.
Citra-citra yang dijadikan contoh tersebut merupakan citra yang diambil dari bagian daun yang mempunyai ciri penyakit. Ketika aplikasi berjalan, citra diinputkan ke dalam Picturebox. Dengan
[image:78.612.162.482.281.637.2]OpenFile, citra secara otomatis muncul di Picturebox pada aplikasi
(Gambar 5.1).
Setelah citra berhasil diinputkan, proses selanjutnya adalah proses mengkonversi citra asli menjadi citra grayscale (keabuan) dengan meng-klik button “Grayscale”. Kemudian klik button “Threshold” untuk menjalankan fungsi thresholding. Citra hitam-putih dari proses threshold akan diproses dengan metode Laplacian of
Gaussian dengan menekan button “Laplacian of Gaussian”. Tahap
akhir, klik button “Hasil” untuk mendapatkan hasil deteksi jenis penyakit beserta pengobatan atau pengendaliannya (Gambar 5.2).
[image:79.612.163.509.295.544.2]
Gambar 5.2 Hasil Proses Deteksi Penyakit
benar. Dengan kata lain tingkat keberhasilan mencapai 80%, diperoleh dengan perhitungan sebagai berikut :
Jumlah Citra Benar Jumlah Pengujian
Jadi diperoleh persentasi keberhasilan = 20 25 = 0.8 X 100 %
= 80%
Berikut hasil uji coba yang telah dilakukan terhadap 25 citra
[image:80.612.111.539.272.666.2]input daun tanaman cabe yang terserang penyakit dapat dilihat pada
tabel 5.1:
Tabel 5.1 Hasil Uji Coba
No Citra
Input
Grayscale Threshold LoG Hasil akhir Penyakit sebenarnya
1 Bercak
Bakteri
Bercak Daun
2 Bercak Daun Bercak Daun
3
Tidak
diketahui
Embun
Tepung X 100 %
No Citra
Input
Grayscale Threshold LoG Hasil akhir Penyakit sebenarnya
4 Bercak
Bakteri
Bercak Daun
5 Embun
Tepung
Embun Tepung
6 Bercak Daun Bercak Daun
7 Embun
Tepung
Embun Tepung
8 Bercak
Bakteri
Bercak Bakteri
9 Embun
Tepung
Bercak Daun
10 Bercak Daun Bercak Daun
11 Bercak Daun Bercak Daun
12 Bercak
Bakteri
No Citra
Input
Grayscale Threshold LoG Hasil akhir Penyakit sebenarnya
13 Bercak Daun Bercak Daun
14 Embun
Tepung
Embun Tepung
15 Bercak
Bakteri
Bercak Bakteri
16 Tidak
diketahui
Embun
Tepung
17 Bercak Daun Bercak Daun
18 Bercak
Bakteri
Bercak Bakteri
19 Embun
No Citra
Input
Grayscale Threshold LoG Hasil akhir Penyakit sebenarnya
21 Bercak
Bakteri
Bercak Bakteri
22
Bercak Daun Bercak Daun
23 Embun Tepung Embun Tepung 24
Bercak Daun Bercak Daun
25 Embun Tepung Embun Tepung 5.2 Evaluasi
Image processing mempunyai kompleksitas dalam proses
Gambar 5.3 merupakan contoh citra yang dideteksi dengan benar oleh aplikasi ini.
Gambar 5.3 Bercak Bakteri
Gambar tersebut memiliki ukuran 43x41 pixel. Dengan ukuran yang yang kecil dan kualitas yang baik akan menghasilkan deteksi yang benar.
Adapun citra lain yang tidak berhasil dideteksi dikarenakan beberapa faktor antara lain pengambilan gambar yang buruk sehingga menghasilkan kualitas yang tidak baik, pada foto terdapat bagian daun yang gelap sehingga ketika dideteksi menjadi tidak akurat.
Faktor lainnya adalah ciri penyakit yang hampir sama, seperti bercak daun dan bercak bakteri. Keduanya mempunyai ciri dibagian tengah terdapat perbedaan warna dengan bagian tepinya, berbentuk seperti bintik atau bercak. Sehingga ketika kualitas gambar tidak bagus akan menghasilkan salah deteksi.
6.1 Kesimpulan
Berdasarkan aplikasi yang telah dibuat beserta uji coba dan evaluasi yang telah dilakukan untuk mendeteksi penyakit pada daun tanaman cabe, maka dapat ditrrik suatu kesimpulan sebagai berikut :
a. Analisa citra dapat digunakan untuk membantu dalam tahapan
pre-processing. Analisis citra yang digunakan yakni grayscale
dan thresholding. Dengan analisis citra tersebut memudahkan pengolahan citra sehingga membantu mendeteksi penyakit pada daun cabe.
b. Penggunaan matriks 5x5 Laplacian of Gaussian menghasilkan deteksi tepi yang lebih halus sehingga memudahkan mendeteksi penyakit pada daun cabe.
c. Dari implementasi sistem, Fuzzy String Matching digunakan setelah proses Laplacian of Gaussian. Proses Fuzzy String
Matching digunakan untuk menghasilkan keputusan apakah
d. Dari hasil uji coba, logika Fuzzy String Matching merupakan logika yang mampu memberikan skor akhir yang cukup akurat sehingga tidak perlu melakukan perhitungan berulang kali.
6.2 Saran
Berdasarkan kesimpulan di atas, terdapat beberapa saran yang dapat diajukan untuk pengembangan aplikasi ini selanjutnya ke arah yang lebih :
a. Parameter yang disiapkan dapat lebih kompleks sehingga tidak hanya mendeteksi penyakit pada daun tapi juga bisa pada bagian tanaman cabe yang lain seperti bagian batang, buah, dan akar.
b. Pendeteksian dapat dilakukan tidak hanya pada bagian daun yang berpenyakit tapi diharapkan dilakukan pada keseluruhan bagian daun.
c. Citra input dapat berukuran lebih besar sehingga tidak terbatas pada ukuran pixel yang kecil saja.
d. Penggunaan bahasa pemograman tidak terbatas pada bahasa C++ saja namun dapat dikembangkan dengan bahasa pemrograman lainnya.
Builder edisi revisi. Bandung : Informatika.
http://www.wikipedia.org (di akses pada tanggal 18-02-2011) pukul 10.07 pm)
http://blog.ub.ac.id/b4yu/2010/05/26/penyakit-tanaman-cabai/ (di
akses tanggal 10-01-2011 pukul 11.36 pm)
http://file-aris.blogspot.com/2009/12/borland-c-builder-60.html (di akses tanggal 20-01-2011 pukul 12.56 pm)
http://id.shvoong.com/exact-sciences/physics/1803946-pengolahan-citra-image-processing/ (di akses pada tanggal 18-02-2011 pukul 11.00 am )
http://ndoware.com/imageprocessing.html (di akses pada tanggal 18-02-2011 pukul 11.09 am)
http://srini.staff.gunadarma.ac.id/Downloads/files/4881/8+Olah+Citra-Konsep+Dasar.pdf (di akses pada tanggal 18-02-2011 pukul 11.22 am)
