SADE: APLIKASI ANDROID PENDUGA SPECTRAL REFLECTANCE
MENGGUNAKAN METODE WIENER ESTIMATION UNTUK
MENDUGA USIA DAUN SAMBILOTO
M. RAKE LINGGAR ANGGORO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul SADE: Aplikasi Android Penduga Spectral Reflectance Menggunakan Metode Wiener Estimation Untuk Menduga Usia Daun Sambiloto adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Agustus 2014
M. Rake Linggar Anggoro
ABSTRAK
M. RAKE LINGGAR ANGGORO. SADE: Aplikasi Android Penduga Spectral Reflectance Menggunakan Metode Wiener Estimation Untuk Menduga Usia Daun Sambiloto. Dibimbing oleh YENI HERDIYENI.
Pada penelitian ini diajukan sebuah aplikasi Android untuk mengestimasi usia daun sambiloto (Andrographis paniculata) dari spektrum reflektan yang sudah diestimasi menggunakan Wiener estimation. Wiener estimation merupakan suatu metode konvensional untuk mengestimasi data berdimensi tinggi dari data berdimensi rendah, contohnya dari kamera tiga channel (RGB) ke spektrum reflektan. Penelitian ini menggunakan dataset yang terdiri atas 97 standar warna, 15 daun sambiloto, dan kombinasinya. Nilai RMSE dan GFC digunakan untuk mengevaluasi dataset mana yang paling bagus digunakan dalam metode Wiener
estimation. Hasil penelitian menunjukkan bahwa dataset 15 daun sambiloto dan
orde polynomial kedua menghasilkan spektrum reflektan terekonstruksi yang terbaik. Nilai RMSE dan GFC dari dataset ini adalah 3.57 dan 0.99. Akurasi identifikasi usia daun sambiloto dengan menggunakan PNN sebesar 65%. Hasil dari penelitian ini dapat digunakan oleh masyarakat untuk mengetahui kualitas daun tanaman obat berdasarkan usianya.
Kata kunci: Android, daun sambiloto, reflektan, usia, Wiener estimation
ABSTRACT
M. RAKE LINGGAR ANGGORO. SADE: Android Spectral Reflectance Estimator Application Using Wiener Estimation to Estimate Sambiloto Leaf’s Age. Supervised by YENI HERDIYENI.
This research proposes an Android application to estimate sambiloto (Andrographis paniculata) leaf’s age from its estimated spectral reflectance using Wiener estimation. Wiener estimation is a conventional method to estimate high-dimensional data from low-high-dimensional data, for example, from three-channel image (RGB) to spectral reflectance. In the experiment we used datasets consisting of 97 standard colors, 15 samboloto leaves, and their combination. The experimental results show that the 15 sambiloto leaves dataset and second polynomial order gives the best reconstructed spectral reflectance. The RMSE and GFC of this dataset are 3.57 and 0.99. We use Probabilistic Neural Network for classifying the leaf’s age from its reconstructed spectral reflectance. The accuracy for identifying the sambiloto leaf’s age using PNN is 65%. Results of this research can be used by the public to know about the quality of medicinal plant’s leaf based on the leaf’s age.
Keywords: age, Android, sambiloto leaf, reflectance estimation, Wiener estimation
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
SADE: APLIKASI ANDROID PENDUGA SPECTRAL
REFLECTANCE MENGGUNAKAN METODE WIENER
ESTIMATION UNTUK MENDUGA USIA DAUN SAMBILOTO
M. RAKE LINGGAR ANGGORO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA ILMU DAN PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2014
Judul Skripsi : SADE: Aplikasi Android Penduga Spectral Reflectance
Menggunakan Metode Wiener Estimation Untuk Menduga Usia Daun Sambiloto
Nama : M. Rake Linggar Anggoro NIM : G64100098
Disetujui oleh
Dr Yeni Herdiyeni SSi MKom Pembimbing I
Diketahui oleh
Dr Ir Agus Buono MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2014 ini ialah
reflectance, dengan judul SADE: Aplikasi Android Penduga Spectral Reflectance
Menggunakan Metode Wiener Estimation Untuk Menduga Usia Daun Sambiloto. Terima kasih penulis ucapkan kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini, yaitu:
1. Abah dan Umi yang selalu memberikan dukungan kepada penulis dalam mengerjakan tugas akhir ini.
2. Ibu Dr Yeni Herdiyeni SSi MKom selaku dosen pembimbing yang telah memberikan arahan dan bimbingan kepada penulis dalam menyelesaikan tugas akhir.
3. Teman-teman sebimbingan Kak Dhieka, Kak Maryan, dan Pak Ghede atas bantuan, saran, masukan, dan nasihat yang diberikan kepada penulis.
4. Lolyta Nur Atika yang telah memberikan motivasi dan bantuan yang diberikan kepada penulis, khususnya dalam pengambilan dan pengolahan data.
5. Teman-teman sekelompok Program Kreatifitas Mahasiswa Agisha dan Alfandio atas bantuan yang diberikan kepada penulis.
6. Dosen-dosen Ilmu Komputer yang telah memberikan ilmu kepada penulis.
7. Rekan-rekan mahasiswa Ilmu Komputer yang telah memberikan semangat, bantuan dan motivasi kepada penulis yang telah diberikan kepada penulis
Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2014
DAFTAR ISI
DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 3Ruang Lingkup Penelitian 3
TINJAUAN PUSTAKA 3
Reflectance 3
Wiener Estimation 3
Probabilistic Neural Network 5
METODE 6
Data Penelitian 6
Tahapan Penelitian 8
Pemindahan Platform 9
Pemilihan Dataset Baru untuk Pembuatan Model Transformasi 9
Basis Data Citra 10
Praproses 10
Ekstraksi Ciri 10
Klasifikasi dengan Probabilistic Neural Network 10
Evaluasi 11
Lingkungan Pengembangan 11
HASIL DAN PEMBAHASAN 11
Pengumpulan Data 11
Pemindahan Platform 12
Pemilihan Dataset Baru untuk Pembuatan Model Transformasi 12
Model Klasifikasi Citra 15
Implementasi Sistem 16
SIMPULAN DAN SARAN 18
Simpulan 18
Saran 18
DAFTAR PUSTAKA 19
LAMPIRAN 21
DAFTAR TABEL
1 Model polynomial 4
2 Set data penelitian 7
3 Perbandingan nilai RMSE dan GFC dataset 12
4 Akurasi identifikasi usia sebanyak 5 fold 15
5 Hasil klasifikasi usia daun sambiloto pada fold 3 16
6 Akurasi identifikasi usia daun sambiloto 16
DAFTAR GAMBAR
1 Struktur PNN 6
2 Ilustrasi pengambilan foto daun sambiloto (a) Penelitian Azizah (2013)
dan (b) Penelitian SADE 7
3 Ilustrasi pengambilan nilai reflektan (a) Penelitian Azizah (2013) dan
(b) Penelitian SADE 8
4 Alur client server dari mobile application 8
5 Metode penelitian estimasi usia daun sambiloto menggunakan Wiener
estimation 9
6 Perbandingan spektrum reflektan asli dan terekonstruksi 13 7 Nilai spektrum rekontruksi daun sambiloto 1.5 dan 3.5 bulan 14 8 Image histogram data citra model klasifikasi dalam (a) Channel R (b)
Channel G (c) Channel B 15
9 Antarmuka sistem (a) Halaman utama (b) Pilihan sumber citra (c) Halaman hasil estimasi usia (d) Halaman hasil estimasi reflektan 17
DAFTAR LAMPIRAN
1 Perbandingan rata-rata RMSE dan GFC hasil estimasi reflektan dari
sistem platform desktop dan mobile 20
2 Nilai eror dataset 21
3 Nilai fitness dataset 22
4 Citra daun sambiloto usia 3.5 bulan 23
5 Citra daun sambiloto usia 1.5 bulan 24
6 Data citra daun sambiloto 1.5 bulan untuk klasifikasi PNN 25 7 Data citra daun sambiloto 3.5 bulan untuk klasifikasi PNN 26
PENDAHULUAN
Latar Belakang
Penggunaan tanaman obat telah lama dikenal masyarakat Indonesia, bahkan sebelum pelayanan kesehatan menggunakan obat sintetik. Peningkatan penggunaan obat-obatan tersebut berbanding lurus terhadap peningkatan kesadaran masyarakat terhadap dampak negatif dari penggunaan obat sintetik. Masyarakat kembali memilih tumbuhan obat sebagai alternatif terhadap penyembuhan berbagai penyakit. Hal ini dikarenakan efek samping yang ditimbulkan tanaman obat lebih kecil, dan dari sisi biaya juga juga lebih menguntungkan (Fatmawati 2008).
Salah satu tumbuhan obat yang biasa digunakan oleh masyarakat Indonesia adalah daun sambiloto. Khasiat sambiloto sebagai salah satu obat tradisional sudah dikenal luas sejak zaman dahulu, bahkan oleh bangsa-bangsa di dunia selain di Indonesia. Badan Pengawas Obat dan Makanan (BPOM) telah menetapkan sambiloto sebagai salah satu tanaman obat unggulan di Indonesia. Beberapa khasiat tanaman sambiloto yang cukup bagus dan sudah diketahui adalah kemampuannya dalam menghancurkan inti sel kanker, menurunkan kadar glukosa dalam darah, antiradang, dan masih banyak lagi (Ivan dan Lukito 2003).
Agar membuat obat herbal berkualitas dari daun sambiloto, maka perlu dilakukan metode kendali mutu agar kesalahan-kesalahan dalam pembuatan, seperti berkurangnya khasiat tanaman, terminimalisir. Proses penentuan mutu tanaman obat biasanya mengandalkan uji lab kimia. Contoh uji lab kimia ini adalah metode High Performance Liquid Chromatography (HPLC), Thin Layer
Chromatography (TLC), dan Gas Chromatography (GC) (Singh et al. 2010).
Akan tetapi kekurangan dari uji lab kimia ini adalah adanya resiko merusak sampel tanaman obat (bersifat destructive). Selain dari itu, waktu pemrosesan yang cukup lama dan biaya yang diperlukan cukup mahal (Mao dan Xu 2006). Untuk mengatasi masalah tersebut, dibutuhkan teknik lain yang lebih efisien dalam melakukan kendali mutu tanaman obat.
Singh et al. (2010) telah menerapkan kendali mutu dengan teknik spektroskopi Fourier Transform Infrared Spectroscopy (FTIR) dan Principal
Component Analysis (PCA). Hasilnya adalah teknik spektroskopi dan metode
statistik dapat menjadi alternatif dalam kendali mutu tanaman obat. Penelitian terkait lain yang relative lebih sederhana dan efisien dilakukan dengan pemrosesan citra digital (Azizah 2013).
Azizah (2013) memperkenalkan cara untuk mengendalikan mutu tanaman obat sambiloto menggunakan usia daunnya. Ini dilakukan dengan mempraktikkan suatu metode untuk menduga usia daun sambiloto berdasarkan kecerahan warna daun. Umumnya, daun yang berusia muda berwarna muda atau lebih terang, sedangkan daun yang berusia tua berwarna lebih gelap. Warna daun dapat menentukan nilai reflektan berdasarkan nilai RGB-nya. Metode yang digunakan Azizah (2013) untuk menentukan nilai reflektan daun tersebut adalah Wiener
estimation. Metode ini merupakan metode untuk mengestimasi data berdimensi
rendah ke dimensi tinggi (Stigell et al. 2007). Metode ini merupakan metode yang konvensional, namun sederhana, cukup akurat dan populer dalam hal estimasi
2
spektrum reflektan (Yoo et al. 2013). Contoh penelitian yang menggunakan
Wiener estimation pada citra digital untuk mengestimasi spektrum reflektan
adalah penelitian Shatilova (2008).
Azizah (2013) membangun suatu sistem menggunakan metode Wiener
estimation untuk menduga nilai reflektan berdasarkan warna citra digital daun
sambiloto (Andrographis paniculata). Nilai reflektan tersebut nantinya dapat menjadi indikator kualitas tanaman obat berdasarkan usia daun. Berdasarkan hasil penelitiannya, transformasi Wiener dengan menggunakan orde 2 memberikan hasil estimasi yang terbaik. PNN digunakan untuk mengklasifikasi usia sambiloto berdasarkan nilai reflektan terekonstruksi. Hasil penelitiannya menunjukkan akurasi identifikasi usia daun sambiloto sebesar 73.61%. Akan tetapi kekurangan dari penelitian tersebut adalah sistem yang dibuat tidak dapat digunakan secara luas karena pembangunan sistem menggunakan MATLAB. Selain dari itu, pengambilan data digital pada penelitian Azizah (2013) menggunakan box karton yang diberi sinar tungsten. Hal ini menyebabkan data yang digunakan kurang representatif dengan kondisi lapangan.
Pada penelitian ini, dilakukan pembuatan aplikasi mobile phone berbasis Android dengan menerapkan metode Wiener estimation untuk menduga nilai reflektan berdasarkan warna citra digital daun sambiloto. Dengan sistem yang berbasis mobile phone, maka kekurangan dari uji lab dan dari penelitian Azizah dapat terhindar. Karena sistem ini menganalisis mutu tanaman sambiloto dengan memproses citra daunnya, maka risiko rusaknya sampel tanaman obat dapat terhindar (tidak bersifat destructive). Dari segi biaya juga bisa lebih hemat karena tidak memerlukan peralatan-peralatan yang kompleks dan mahal. Basis Android dipilih karena selain jumlah penggunanya yang semakin meningkat pesat, pengembangannya berisfat open source, sehingga dapat digunakan secara luas.
Perumusan Masalah
Bertitik tolak dari latar belakang yang telah diuraikan, dapat dirumuskan permasalahan sebagai berikut:
1. Bagaimana membangun aplikasi berbasis mobile untuk menduga nilai reflektan dan usia daun sambiloto?
2. Bagaimana cara meningkatkan kualitas estimasi nilai reflektan berdasarkan warna citra digital menggunakan Wiener estimation?
3. Bagaimana cara pengambilan data yang dapat merepresentasikan kondisi lapangan dan mendukung mobilitas sistem?
Tujuan Penelitian
Tujuan penelitian ini ialah membangun aplikasi mobile berbasis Android penduga spektrum reflektan menggunakan Wiener estimation untuk menduga usia daun sambiloto.
3 Manfaat Penelitian
Manfaat penelitian ini adalah membantu masyarakat untuk mengetahui mutu tanaman obat secara lebih efisien dengan melihat usia daun tanaman.
Ruang Lingkup Penelitian Ruang lingkup dalam penelitian kali ini adalah:
1. Data citra daun sambiloto (Andrographis paniculata) dengan mutu umur berbeda (1.5 dan 3.5 bulan) yang diambil dari Kebun Biofarmaka IPB menggunakan kamera 5 MP dalam kondisi normal.
2. Data reflektan dan citra daun sambiloto yang diambil menggunakan Spektrofotometer UV-Vis fiber optik USB 2000, Lampu tungsten 12 V 100 W MHF –M1002.
3. Metode klasifikasi menggunakan Probabilistic Neural Network (PNN).
TINJAUAN PUSTAKA
Reflectance
Reflectance merupakan ukuran dari proporsi cahaya atau radiasi lain mengenai suatu permukaan dan terpantul dari permukaan tersebut. Sementara definisi dari spektrum reflektan adalah reflektan yang diukur pada panjang gelombang tertentu. Spektrum reflektan ini dapat digunakan sebagai penciri dari objek yang memantulkan sumber radiasi tersebut (CRIPS 2001).
Wiener Estimation
Wiener estimation merupakan suatu teknik yang digunakan untuk
menduga data berdimensi rendah menjadi data berdimensi tinggi, contohnya, dari kamera tiga channel (RGB) menjadi spektrum reflektan. Teknik ini merupakan teknik konvensional yang cukup sederhana dan menghasilkan estimasi yang cukup akurat (Yoo et al. 2013). Hasil estimasi reflektan dari suatu citra dapat dicari dengan menggunakan persamaan (1) (Stigell et al. 2007).
rest = GX (1)
dengan
G = matriks transformasi,
rest = matriks spektrum reflektan yang terdiri atas banyaknya sampel
(l) dan banyak channel spektrum (n),
X = matriks RGB dari kamera.
Matriks transformasi G secara eksplisit dapat direpresentasikan menggunakan persamaan (2).
4
G = RrvR-1vv (2)
Rrv dan Rvv merupakan matriks korelasi dan auto korelasi. Matriks Rrv dan
Rvv dapat didefinisikan menggunakan persamaan (3).
Rrv = <rvt>, Rvv = <vvt> (3)
dengan r adalah vektor kolom yang menyatakan nilai spektrum reflektan satu piksel pada citra dan v adalah vektor kolom dengan elemen RGB.
Data spectral citra (rest) diperhitungkan menggunakan vektor v, yang
merupakan matriks RGB dari kamera, atau bisa juga dengan vektor v yang mengikutsertakan nilai-nilai pixel berorde, atau dengan term, lebih tinggi. Vektor
v yang demikian dapat dihitung menggunaka model polynomial. Model polynomial yang digunakan pada penelitian Azizah (2013) adalah sebagai berikut.
Tabel 1 Model polynomial
Orde Terms Model polynomial
1 3 R G B
2 7 R G B R2 G2 B2 RGB
3 10 R G B R2 G2 B2 RG RB GB RGB
Galat yang dihasilkan oleh metode Wiener estimation dapat dihitung menggunakan root-mean-square-error (RMSE). Perhitungan RMSE dapat dilakukan menggunakan persamaan (4).
RMSE= √∑ni=1(s(i)- s̆ )(i)2
n (4)
dengan
s = spektrum original 𝑠̆ = spektrum rekonstruksi
n = banyaknya channel spektrum
Nilai RMSE digunakan sebagai salah satu faktor pertimbangan untuk menentukan data latih yang paling cocok digunakan sebagai matriks transformasi. Selain dari galat, faktor pertimbangan lain yang digunakan untuk menentukan data latih terbaik adalah ukuran kemiripan pola antara spektrum rekonstruksi dengan spektrum original. Ukuran kemiripan dapat dicari menggunakan non centered
correlation coefficient, atau lebih dikenal dengan istilah Goodness-of-Fit Coefficient (GFC). Nilai GFC dapat dihitung dengan persamaan (5) (Mansouri et al. 2008). GFC= |∑jRm(λj)Rr(λj)| (|∑ [jRm(λj)]2|) 1/2 (∑ [jRr(λj)]2) 1/2 (5)
5 dengan
λj = panjang gelombang ke-j.
𝑅𝑚(𝜆𝑗) = spektrum original pada panjang gelombang λj
𝑅𝑟(𝜆𝑗) = spektrum rekonstruksi pada panjang gelombang λj
Nilai GFC berada antara nilai 0 dan 1, dimana nilai 1 mengindikasikan rekonstruksi yang sempurna. Secara umum, interpretasi nilai GFC yang pernah dilakukan dibagi menjadi tiga kategori rekonstruksi spektrum yaitu GFC ≥ 0.9999 berarti secara matematika hampir serupa, 0.999 ≤ GFC < 0.9999 Very
Good, 0.99 ≤ GFC < 0.999 Acceptable (Romero et al. 1997).
Probabilistic Neural Network
Probabilistic Neural Netowork berasal dari Radial Basis Function (RBF) Network yang merupakan JST (Jaringan Saraf Tiruan) menggunakan RBF. RBF
adalah fungsi berbentuk seperti bel yang menskalakan variabel nonlinear. Salah satu keuntungan utama dari PNN adalah pelatihannya gampang dan cepat, selain dari itu strukturnya pun sederhana (Wu et al 2007).
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan. Struktur PNN dapat dilihat pada Gambar 1. Penjelasan dari lapisan-lapisan ini adalah sebagai berikut:
1. Lapisan masukan
Lapisan ini memasukkan input x yang terdiri atas n nilai yang akan diklasifikasikan pada satu dari k kelas.
2. Lapisan pola
Pada lapisan ini dilakukan perhitungan jarak antara input x dan vektor bobot xij, yaitu Zi=x-xij , simbol minus menunjukkan jarak antara vektor. Zi
kemudian bisa dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi Parzen, yaitu g(x) = exp(-x). Dengan demikian, persamaan yang digunakan pada lapisan pola adalah sebagai berikut:
g(x)=exp (-(x-xAi)
T
(x-xAi)
2σ2 ) (6)
dengan xAi menyatakan vektor latih kelas ke-A urutan ke-i.
3. Lapisan penjumlahan
Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan probability density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
p(ωA)p(x|ωA)= 1 (2π)k2σkN A ∑ exp (-(x-xAi) T (x-xAi) 2σ2 ) N i=1 (10) dengan p(ωA) = peluang kelas A
p(x|ωA) = peluang bersyarat x jika masuk ke dalam kelas A
6
k = dimensi vektor input
NA = jumlah data latih kelas A
σ = bias atau faktor pemulus 4. Lapisan keputusan
Pada lapisan keluaran, input x akan diklasifikasikan ke kelas A jika nilai pA(x) paling besar dibandingkan dengan kelas lainnya.
Gambar 1 Struktur PNN
METODE
Data Penelitian
Data yang digunakan pada penelitian ini terdiri atas data penelitian Azizah (2013) dan daun-daun sambiloto yang ditanam hingga tiga bulan beserta nilai reflektannya. Data penelitian Azizah (2013) yang digunakan dalam penelitian ini adalah data citra daun sambiloto, data-data nilai reflektan dan RGB citra daun sambiloto. Citra daun sambiloto (Andrographis paniculata) yang digunakan adalah citra daun dengan mutu umur berbeda (1, 2, dan 3 bulan). Data nilai-nilai reflektan yang digunakan pada penelitian ini adalah nilai-nilai-nilai-nilai reflektan dari empat dataset berbeda. Dataset-dataset ini dapat dilihat pada Tabel 2. Sementara data nilai-nilai RGB yang digunakan adalah rata-rata nilai RGB dari
7 Tabel 2 Set data penelitian
No. Dataset
1 97 standar warna
2 15 daun sambiloto
3 97 standar warna dan 15 daun sambiloto
Dataset 97 standar warna didapatkan dari penelitian Azizah (2013). Untuk
15 daun sambiloto dilakukan penanaman bibit terlebih dahulu. Tanaman sambiloto akan ditanam di Kebun Pusat Studi Biofarmaka Bogor hingga usia daun mencapai maksimal sekitar tiga setengah bulan. Ketika daun sambiloto sudah siap untuk dijadikan data uji, maka akan diambil foto untuk mendapatkan nilai RGB-nya, serta nilai reflektannya. Pengambilan foto daun sambiloto dalam penelitian ini berbeda dari penelitian Azizah (2013). Dalam penelitian Azizah (2013), daun diletakkan ke dalam box kardus yang diberikan sinar cahaya tungsten untuk menyerupai sinar matahari. Akan tetapi dalam penelitian ini, foto daun akan diambil di lapangan dengan kondisi sinar normal tanpa dicabut dari tanaman. Daun akan diusahakan diletakkan dalam posisi dan kondisi sehingga citra daun yang didapatkan jelas dan tanpa noise. Ilustrasi perbandingan pengambilan foto daun sambilto dalam penelitian ini dan Azizah (2013) dapat dilihat pada Gambar 2.
Setelah foto daun sambiloto diambil, maka daun akan dibawa ke Laboratorium Spektroskopi Departemen Fisika, Institut Pertanian Bogor untuk diambil nilai reflektannya. Alat yang digunakan untuk mengambil nilai reflektan daun adalah Spektrofotometer UV-Vis fiber optik USB 2000, dengan kertas putih sebagai alat kalibrasi. Daun yang akan dijadikan data uji harus diketahui usia pastinya. Titik-titik pengambilan nilai reflektan pada penelitian ini berbeda dari penelitian sebelumnya. Pada penelitian sebelumnya, titik-titik pengambilan nilai reflektan berada di bawah tulang daun dan saling berdekatan. Akan tetapi pada penelitian ini, nilai reflektan diambil dari pangkal daun bagian kanan hingga ujung daun kanan, kemudian dilanjutkan dari ujung kiri hingga pangkal daun bagian kiri. Hal ini diharapkan dapat memperoleh informasi nilai-nilai reflektan daun secara keseluruhan, tidak hanya satu area saja. Ilustrasi perbandingan pengambilan nilai reflektan dapat dilihat pada Gambar 34.
Gambar 2 Ilustrasi pengambilan foto daun sambiloto (a) Penelitian Azizah (2013) dan (b) Penelitian SADE
8
Gambar 3 Ilustrasi pengambilan nilai reflektan (a) Penelitian Azizah (2013) dan (b) Penelitian SADE
Tahapan Penelitian
Estimasi usia daun sambiloto menggunakan metode Wiener estimation dikembangkan pada dua platform, yaitu desktop dan mobile. Sistem pada platform desktop sudah dibangun oleh Azizah (2013). Penelitian ini berfokus pada pembangunan sistem pada platform mobile. Pembuatan aplikasi mobile untuk estimasi usia daun sambiloto bekerja pada mobile device (client) dan server. Pada sisi client, citra kueri diperoleh dari kamera ponsel atau citra yang disimpan pada
gallery ponsel. Citra kueri kemudian akan dikirimkan ke server melalui jaringan
internet untuk dilakukan proses identifikasi. Hasil dari proses identifikasi akan ditampilkan pada sisi client. Gambar 4 menunjukkan alur kerja client server dari sistem aplikasi mobile.
Gambar 4 Alur client server dari mobile application
Pada sisi client hanya dilakukan pemilihan citra daun yang akan diproses. Citra bisa diakuisisi langsung menggunakan kamera ponsel atau diambil dari
gallery ponsel. Setelah dipilih, pengguna juga bisa melakukan crop citra untuk
mengambil daerah tertentu saja dan meningkatkan akurasi. Setelah itu citra dikirim ke server melalui jaringan internet. Hasil klasifikasi yang dilakukan di server akan ditampilkan pada layar ponsel.
Pada sisi server, pemrosesan dibagi menjadi dua bagian, yaitu pelatihan data citra dan identifikasi usia. Pelatihan data citra akan menghasilkan model klasifikasi dari ekstraksi ciri basis data citra yang ada. Model klasifikasi tersebut
9 akan digunakan pada proses identifikasi usia untuk klasifikasi usia daun sambiloto. Gambar 5 menunjukkan metode penelitian sistem estimasi usia daun sambiloto menggunakan Wiener estimation pada desktop, server, dan mobile
device (client).
Gambar 5 Metode penelitian estimasi usia daun sambiloto menggunakan Wiener
estimation
Pemindahan Platform
Tahap pertama yang dilakukan dalam penelitian ini adalah memindahkan sistem dari platform desktop ke mobile platform. Source code pada platform desktop akan dikonversi dari bahasa pemrograman Matlab ke C++ sehingga dapat bekerja pada mobile platform. Setelah dibangun, akan diuji apakah spektrum rekonstruksi yang dihasilkan program pada platform mobile menghasilkan hasil yang sama dengan program pada platform desktop. Pengujian ini dilakukan dengan menghitung spektrum daun sambiloto yang terekonstruksi menggunakan
dataset apriori 96 standar warna dan 46 tanaman obat, dengan model polynomial
berorde 2.
Pemilihan Dataset Baru untuk Pembuatan Model Transformasi
Untuk meningkatkan kualitas estimasi spektrum reflektan daun sambiloto, maka akan dipilih dataset baru yang akan digunakan dalam pembuatan model transformasi Wiener estimation. Kriteria pemilihan dataset ini berdasarkan nilai
error (RMSE) dan nilai fitness (GFC) yang dihasilkan oleh spektrum rekonstruksi
menggunakan masing-masing dataset. Semakin rendah nilai error-nya dan semakin tinggi nilai fitness-nya, maka semakin bagus dataset tersebut dalam merekonstruksi spectral reflektan daun sambiloto. Dataset yang akan digunakan dalam penelitian ini dapat dilihat pada Tabel 2. Masing-masing dataset ini akan
10
dihitung spektrum reflektannya menggunakan model-model polynomial pada Tabel 1.
Basis Data Citra
Basis data citra teridiri dari 200 citra daun sambiloto. Citra daun sambiloto didapatkan dari Kebun Biofarmaka Dramaga Bogor menggunakan smartphone dengan resolusi 5 MP.
Praproses
Pada penelitian ini, praproses terdiri atas meng-crop citra secara manual menjadi 20x20 piksel. Ini dilakukan agar proses komputasi menjadi lebih cepat. Pada bagian training, sebelum dilakukan reduksi dimensi, akan dilakukan
cropping secara manual untuk mendapatkan daerah daun saja tanpa adanya background.
Ekstraksi Ciri
Ekstraksi ciri merupakan tahapan untuk mengambil ciri yang ada pada suatu citra yang akan digunakan untuk tahap klasifikas. Cara ekstraksi ciri pada penelitian ini adalah dengan mengalikan hasil Wiener Estimation dengan citra daun Sambiloto yang berusia 1, 2, dan 3 bulan. Proses rekonstruksi transformasi
polynomial membutuhkan data latih dan dan uji. Data latih yang digunakan adalah
97 standar warna dan 15 daun sambiloto yang sudah diketahui nilai RGB dan nilai reflektan. Daftar model polynomial yang dapat digunakan sebagai transformasi
polynomial dapat dilihat pada Tabel 1. Akan tetapi yang digunkan adalah model polynomial terbaik berdasarkan hasil pemilihan dataset baru pada tahap
sebelumnya.
Klasifikasi dengan Probabilistic Neural Network
Estimasi usia Sambiloto berdasarkan nilai reflektan-nya dilakukan dengan menggunakan PNN. Struktur PNN terdiri atas lapisan masukan, pola, penjumlahan dan keputusan. Lapisan masukan berupa vektor hasil ekstraksi fitur dari citra sambiloto. Pada lapisan pola, digunakan satu model PNN dengan nilai bias (σ) tetap. Bias merupakan suatu nilai parameter yang berguna untuk menghaluskan fungsi kernel. Nilai bias yang akan dicoba dalam penelitian ini adalah 0.1, 0.2, 0.3 dan seterusnya hingga 1. Data latih yang digunakan untuk membuat model klasifikasi terdiri atas 160 citra dari 2 kelas yang masing-masing kelas terdapat 80 citra sambiloto. Hasil ekstraksi data latih digunakan untuk membuat model klasifikasi.
11 Evaluasi
Evaluasi dilakukan untuk mengestimasi nilai reflektan dan mengetahui umur suatu tanaman obat. Hasil estimasi nilai reflektan dapat diketahui dengan menggunakan persamaan (6). Pengujian yang dilakukan dalam evaluasi ini adalah mengetahui umur tanaman obat dari nilai reflektannya.
akurasi= ∑ data uji yang benar
∑ data uji x 100% (6)
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut:
Perangkat lunak
Eclipse Juno dan Android Emulator: untuk pembuatan dan pengujian internal aplikasi mobile,
Inkscape: untuk desain gambar dan icon, Apache: untuk pengujian server,
Notepad++: untuk pembuatan program pada server. Perangkat keras
Laptop dengan prosesor Intel Core-i5 3210M CPU @2.50GHz, Memory 4.00 GB,
Harddisk 500 GB,
Smartphone berbasis Android versi Icecream Sandwich dengan kamera 5 MP untuk pengujian.
Lampu tungsten 12 V 100 W.
Spektrofometer UV-Vis fiber optik USB 2000
HASIL DAN PEMBAHASAN
Pengumpulan Data
Penanaman bibit sambiloto di Kebun Biofarmaka menghasilkan tanaman sambiloto berusia 3.5 dan 1.5 bulan. Karena adanya kendala teknis, salah satunya kalibrasi Spektrofotometer, maka pengambilan data pada tanaman sambiloto dengan daun berusia 1, 2, dan 3 bulan tidak bisa dilakukan. Dari tanaman-tanaman ini diambil citra digital menggunakan kamera smartphone dan nilai reflektan menggunakan Spektrofotometer untuk data apriori Wiener estimation. Data citra digital daun sambiloto usia 1.5 bulan dan 3.5 bulan dapat dilihat pada Lampiran 4 dan 5. Jumlah data apriori yang didapatkan adalah data RGB dan spektrum reflektan daun sambiloto sebanyak 94 baris. Selain data apriori, data untuk klasifikasi juga diambil dari data citra daun sambiloto. Jumlah data yang digunakan untuk klasifikasi sebanyak seratus citra dari masing-masing usia tanaman sambiloto. Data citra klasifikasi ini dapat dilihat pada Lampiran 6 dan 7.
12
Pemindahan Platform
Pemindahan platform dilakukan dengan mengkonversi source code dalam bahasa pemrograman Matlab ke C++. Nilai RMSE dan GFC dari hasil estimasi reflektan aplikasi basis desktop dan mobile telah dibandingkan untuk melihat apakah memberikan hasil yang serupa atau tidak. Nilai-nilai yang digunakan dalam perbandingan ini merupakan hasil estimasi sepuluh daun sambiloto menggunakan dataset 97 standar warna dan 46 tanaman obat dari penelitian Azizah (2013). Berdasarkan hasil percobaan, rata-rata nilai RMSE dan GFC untuk estimasi reflektan dari masing-masing platform adalah sama, yaitu 14.94 dan 0.84. Perbandingan masing-masing nilai tersebut dapat dilihat pada Lampiran 1. Dari percobaan ini, dapat ditarik kesimpulan bahwa perhitungan nilai reflektan pada aplikasi mobile platform sudah benar.
Pemilihan Dataset Baru untuk Pembuatan Model Transformasi
Untuk pemilihan dataset ini, akan digunakan data primer yang diambil dari Kebun Biofarmaka IPB dan Laboratorium Spektroskopi, Departemen Fisika IPB. Daun yang sudah siap untuk digunakan akan difoto menggunakan kamera
smartphone sebelum dibawa ke Lab Spektroskopi untuk diambil nilai
reflektannya menggunakan Spektrofotometer USB-2000. Citra dari kamera
smartphone tersebut akan dipraproses sebelum dimasukkan ke program. Hasil
spektrum reflektan yang didapatkan dari program dibandingkan dengan spektrum reflektan originalnya dengan menggunakan nilai RMSE dan GFC. Nilai perbandingan nilai eror dan nilai fitness yang dihasilkan estimasi masing-masing dataset data dilihat pada Tabel 3. Untuk nilai rincian lebih lengkap dapat dilihat pada Lampiran 2 dan 3.
Tabel 3 Perbandingan nilai RMSE dan GFC dataset
Dataset Orde RMSE GFC
97 standar warna 1 43.04 0.98 2 73.25 0.99 3 79.49 0.99 15 daun sambiloto 1 8.90 0.99 2 3.57 0.99 3 3.99 0.99 97 standar warna dan 15 daun sambiloto 1 21.99 0.98 2 26.47 0.97 3 20.96 0.99
Data pada Tabel 3 menunjukkan bahwa dataset yang paling cocok untuk menjadi model pembentukan matriks transformasi adalah dataset 15 daun
13 sambiloto dengan model polynomial berorde 2. Hal ini dapat dilihat bahwa
dataset tersebut memiliki nilai fitness yang tinggi, sekaligus nilai eror yang relatif
lebih rendah dibandingkan dengan yang lain. Hal ini dapat terjadi dimungkinkan karena informasi yang disediakan lebih cocok untuk mengakomodir perekonstruksian reflektan daun sambiloto di lapangan. Akan tetapi ternyata hanya butuh model polynomial yang sederhana untuk membuat nilai rekonstruksi spektrum reflektan. Perbandingan antara reflektan asli dengan reflektan terekonstruksi menggunakan dataset lima belas daun sambiloto dengan model
polynomial ini dapat dilihat pada Gambar 6.
Dengan menggunakan dataset lima belas daun sambiloto dan model
polynomial berorde 2 ini, maka nilai reflektan yang lebih akurat dari daun
sambiloto bisa didapatkan. Rata-rata hasil estimasi reflektan masing-masing usia daun menggunakan dataset dan model polynomial tersebut dapat dilihat pada Gambar 7. Nilai reflektan usia 3.5 bulan lebih rendah dibandingkan nilai reflektan 1.5 bulan. Hal ini sesuai dengan fakta bahwa daun yang lebih tua memmantulkan sinar yang lebih sedikit (lebih gelap) daripada daun berusia muda (lebih terang). Akan tetapi hasil estimasi reflektan daun berusia 1.5 dan 3.5 bulan hampr saling berhimpit.
Hasil estimasi reflektan yang hampir sama ini karena data apriori nilai reflektan yang diberikan kepada Wiener estimation kurang representatif, bukan pada data uji reflektan masing-masing usia. Data reflektan kurang representatif karena terdapat perbedaan kondisi pencahayaan lingkungan lapangan dengan Lab Spetroskopi ketika dilakukan pengambilan data. Untuk data uji reflektan, dapat dilihat pada Gambar 10 dapat dilihat bahwa nilai RGB masing-masing usia tidak terlalu berbeda, kecuali pada channel G. Nilai pada histogram-histogram ini sesuai karena daun berwarna hijau. Meskipun pada histogram channel R dan B usia 3.5 bulan terdapat frekuensi intensitas 0 yang cukup besar. Hal ini dikarenakan ada data citra minoritas yang memiliki intensitas 0 dalam jumlah yang sangat besar, sehingga nilai rata-rata histogram pada daerah tersebut menjadi tinggi.
Gambar 6 Perbandingan spektrum reflektan asli dan terekonstruksi 20 25 30 35 40 45 50 55 60 400 450 500 550 600 650 700 R eflec ta n ce ( %) Panjang gelombang (nm) Original Terekonstruksi
14
Gambar 7 Nilai spektrum rekontruksi daun sambiloto 1.5 dan 3.5 bulan
(a) (b) 20 25 30 35 40 45 50 55 60 400 450 500 550 600 650 700 R eflec ta n ce ( %) Panjang gelombang (nm) Bulan 1.5 Bulan 3.5 0 2 4 6 8 10 12 14 16 18 20 0 50 100 150 200 250 Fre k u en si Intensitas 1,5 bulan 3,5 bulan 0 2 4 6 8 10 12 14 16 18 20 0 50 100 150 200 250 Fre k u en si Intensitas 1,5 bulan 3,5 bulan
15
(c)
Gambar 8 Image histogram data citra model klasifikasi dalam (a) Channel R (b)
Channel G (c) Channel B
Model Klasifikasi Citra
Percobaan dilakukan untuk mengklasifikasi 40 data uji menjadi dua kelas yaitu usia 1.5 bulan dan 3.5 bulan. Dari hasil percobaan, didapatkan bahwa nilai bias (σ) PNN yang terbaik adalah 0.1. Akurasi terbesar diperoleh dari hasil percobaan fold 1 yaitu sebesar 72.5%, diikuti dengan fold 2 dan 3 sebesar 65%,
fold 4 sebesar 57.5%, dan fold 5 sebesar 55%. Berdasarkan model 5-fold cross validation, akurasi hasil klasifikasi dari 40 data uji yang berbeda dapat dilihat
pada Tabel 4. Akan tetapi karena distribusi akurasi dari model 5-fold cross
validation tidak merata dan dikhawatirkan terjadinya overfitting, maka dipilih fold
dengan akurasi terdekat dengan rata-rata seluruh akurasi, yaitu fold 2 dan 3. Karena kedua fold memberikan hasil klasifikasi yang sama, maka dipilih fold 2. Hasil ekstraksi ciri dari data latih fold 2 selanjutnya digunakan dalam aplikasi ini. Hasil klasifikasi perkiraan usia daun sambiloto dengan menggunakan fold 2 dan 3 dapat dilihat pada Tabel 5. Total data klasifikasi citra sebanyak 200 buah, dengan perbandingan data latih dan data uji sebesar 80% dan 20%. Jumlah citra data latih dan data uji masing-masing sebanyak 160 dan 40 buah citra. Data citra klasifikasi untuk daun sambiloto usia 1.5 bulan dan 3.5 bulan dapat dilihat pada Lampiran 4 dan 5.
Tabel 4 Akurasi identifikasi usia sebanyak 5 fold
Fold Akurasi 1 72.5% 2 65.0% 3 65.0% 4 57.5% 5 55.0% Rata-rata 63.0% 0 2 4 6 8 10 12 14 16 18 20 0 50 100 150 200 250 Fre k u en si Intensitas 1,5 bulan 3,5 bulan
16
Tabel 5 Hasil klasifikasi usia daun sambiloto pada fold 3
Kelas Prediksi Total
1.5 bulan 3.5 bulan Kelas sebenarnya 1.5 bulan 15 5 20 3.5 bulan 9 11 20 Evaluasi
Hasil klasifikasi usia daun sambiloto yang didapatkan sebelumnya dapat dihitung nilai akurasinya. Nilai akurasi didapatkan dengan membagi jumlah data uji yang diklasifikasikan secara benar dengan total data uji. Nilai akurasi berdasarkan hasil klasifikasi dapat dilihat pada Tabel 6.
Tabel 6 Akurasi identifikasi usia daun sambiloto Akurasi
1.5 bulan 75%
3.5 bulan 55%
Rata-rata 65%
Berdasarkan Tabel 6, dapat dilihat bahwa akurasi klasifikasi usia 3.5 bulan relatif lebih kecil. Hal ini dikarenakan pengambilan citra daun pada kondisi normal menghasilkan citra dengan intensitas warna yang hampir serupa, sebagaimana yang disebutkan sebelumnya. Sehingga nilai reflektannya pun tidak berbeda jauh, sebagaimana bisa dilihat pada Gambar 7.
Implementasi Sistem
Tahap implementasi sistem menghasilkan sebuah sistem sementara yang berbasis mobile yang dapat menghitung nilai reflektan berdasarkan warna citra digital untuk menduga usia tanaman sambiloto. Proses perhitungan nilai reflektan dan pendugaan usia daun sambiloto dapat dilakukan dengan mengunggah sebuah citra berukuran 20 x 20 piksel ke server. Antarmuka sistem perkiraan nilai reflektan dan identifikasi usia daun sambiloto dapat dilihat pada Gambar 9. Pada halaman utama, pengguna diberikan menu untuk memilih sumber citra, crop citra, dan untuk memulai estimasi usia daun (Gambr 11a). Sumber citra yang bisa dimasukkan adalah dari kamera atau dari galeri ponsel (Gambar 11b). Setelah pengguna memilih citra dan menekan tombol “Deteksi Usia”, aplikasi akan mengirimkan citra ke server melalui koneksi internet untuk diproses. Setelah pemrosesan di server selesai, nilai-nilai spektrum reflektan terekonstruksi dari citra akan dikembalikan ke aplikasi beserta estimasi usianya. Untuk tampilan hasil estimasi, sistem akan menampilkan ulang citra yang telah diproses, usia dari daun dalam citra yang telah diproses (Gambar 11c).
17 Selain itu, sistem juga menyediakan tampilan untuk melihat hasil estimasi reflektan citra yang telah diberikan (Gambar 11d).
Salah satu keunggulan dari aplikasi ini adalah mampu merekonstruksi spektrum reflektan daun dalam citra dalam waktu yang relatif cepat, tergantung dari koneksi internet. Akan tetapi kekurangan dari aplikasi ini adalah tidak diberlakukannya proses segmentasi sehingga daerah-daerah yang tidak diinginkan juga akan ikut terproses ke dalam metode Wiener estimation. Maka dari itu telah diberikan suatu notifikasi yang menyarankan kepada pengguna untuk melakukan
cropping hingga area daun saja agar mendapatkan akurasi yang lebih bagus.
(a) (b) (c)
(d)
Gambar 9 Antarmuka sistem (a) Halaman utama (b) Pilihan sumber citra (c) Halaman hasil estimasi usia (d) Halaman hasil estimasi reflektan
18
SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, aplikasi Android penduga spektrum reflektan menggunakan metode Wiener estimation berhasil dibangun. Aplikasi mampu memberikan hasil reflektan terekonstruksi yang lebih baik menggunakan dataset 15 daun sambiloto dengan model polynomial berorde dua. Aplikasi juga sudah mampu mengklasifikasikan usia daun sambiloto berdasarkan nilai reflektannya. Identifikasi usia tanaman sambiloto menggunakan ekstraksi ciri Wiener estimation dengan PNN menghasilkan akurasi terbaik sebesar 65%. Perkiraan nilai reflektan daun sambiloto pada usia 1.5 dan 3.5 bulan yang dihasilkan tidak berbeda jauh. Faktor yang menimbulkan perbedaan ini adalah kondisi pencahayaan lingkungan pengambilan data citra dan reflektan.
Saran
Saran untuk penelitian berikutnya adalah untuk menyediakan dataset yang lebih representatif sehingga pembuatan matriks transformasi Wiener menjadi lebih bagus dalam merekonstruksi reflektan. Selain dari itu, diharapkan pengambilan citra bisa dilakukan dalam kondisi yang lebih ideal sehingga bisa lebih membedakan daun dengan usia yang muda dan yang tua.
19
DAFTAR PUSTAKA
[CRISP] Centre for Remote Imaging. Sensing and Processing. 2001. Optical Remote Sensing [Internet]. [diakses 2014 Januari 14] Tersedia pada: http://www.crisp.nus.edu.sg/~research/tutorial/optical.htm.
Azizah N. 2013. Perkiraan nilai reflectance berdasarkan warna citra digital menggunakan wiener estimation untuk menduga usia tanaman Sambiloto [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Fatmawati DA. 2008. Pola protein dan kandungan kurkuminoid rimpang temulawak (Curcuma xanthorriza Roxb.) [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Ivan P, Lukito A. 2003. Khasiat & manfaat sambiloto raja pahit penakluk aneka
penyakit, Agromedia Pustaka, Jakarta, Indonesia.
Mansouri A, Sliwa T, Hardeberg J, Voisin Y. 2008. An Adaptive-PCA Algorithm for Reflectance Estimation from Color Images. Di dalam: Pattern
Recognition, 2008. ICPR 2008. 19th Conference on; 2008 Des 8-11; Tampa,
FL. IEEE. hlm 1-4.
Romero J, Garcı´a-Beltra´n A, Herna´ndez-Andre´s J. 1997. Linear bases for representation of natural and artificial illuminants. Optical Society of
America. 14(5):1007-1014. doi: 10.1364/JOSAA.14.001007.
Shatilova Y. 2008. Color image technique in fish research [tesis]. Joensuu (FI): Departement of Computer Science. University of Joensuu.
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.
Wu SG, Bao FS, Xu EY, Wang Y, Chang Y. Xiang Q. 2007. A leaf recognition algorithm for plant classification using probabilistic neural networks. Di dalam: Signal Processing and Information Technology. 2007 IEEE
International Symposium on; 2007 Des 15-18; Kairo. Mesir. Kairo (EG):
IEEE. hlm 11-16.
Yoo JH, Kyung WJ, Ha HG, Ha YH. 2013. Estimation of Reflectance Based on Properties of Selective Spectrum with Adaptive Wiener Estimation. Di dalam: Proc. SPIE 8652, Color Imaging XVIII: Displaying, Processing,
20
Lampiran 1 Perbandingan rata-rata RMSE dan GFC hasil estimasi reflektan dari sistem platform desktop dan mobile
Objek Desktop RMSE Mobile Desktop GFC Mobile
a1 13.40 13.40 0.82 0.82 a2 15.38 15.38 0.76 0.76 a3 14.59 14.59 0.80 0.80 a4 16.36 16.36 0.87 0.87 a5 16.36 16.36 0.87 0.87 a6 12.95 12.95 0.90 0.90 a7 14.66 14.66 0.90 0.90 a8 19.42 19.42 0.76 0.76 a9 12.95 12.95 0.90 0.90 a10 13.28 13.28 0.85 0.85 Rata-rata 14.94 14.94 0.84 0.84
21 Lampiran 2 Nilai eror dataset
Objek
97 tsandar warna 15 daun sambiloto 97 standar warna + 15 daun sambiloto
RMSE RMSE RMSE
Orde 1 Orde 2 Orde 3 Orde 1 Orde 2 Orde 3 Orde 1 Orde 2 Orde 3 s1 21.50 66.87 63.22 4.83 4.49 10.79 7.69 35.92 30.48 s2 89.38 116.63 97.32 1.30 8.56 5.28 64.83 60.59 31.24 s3 33.37 61.44 69.50 1.05 1.51 1.00 5.94 4.69 4.20 s4 65.72 83.74 96.95 11.59 2.80 0.79 28.26 16.74 23.19 s5 41.38 77.91 95.68 19.00 12.70 14.06 21.39 20.94 22.79 s6 38.48 85.83 84.54 7.75 1.63 4.41 18.29 40.59 32.36 s7 16.16 37.60 60.60 11.51 0.62 0.56 14.02 16.51 6.01 s8 33.90 75.30 90.90 13.69 1.07 0.60 19.67 27.84 30.66 s9 33.59 45.46 46.48 9.74 1.24 1.38 19.08 24.94 11.02 s10 56.98 81.73 89.78 8.55 1.05 1.07 20.80 15.97 17.65 Rata-rata 43.04 73.25 79.50 8.90 3.57 3.99 22.00 26.47 20.96
22
Lampiran 3 Nilai fitness dataset
Objek
97 tsandar warna 15 daun sambiloto 97 standar warna + 15 daun sambiloto GFC GFC GFC Orde 1 Orde 2 Orde 3 Orde 1 Orde 2 Orde 3 Orde 1 Orde 2 Orde 3 s1 0.98 0.99 0.99 0.99 0.99 0.99 0.96 0.99 0.99 s2 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 s3 0.96 0.98 0.98 0.99 0.99 0.99 0.98 0.99 0.99 s4 0.97 0.98 0.98 0.99 0.99 0.99 0.99 0.99 0.99 s5 0.98 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 s6 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 s7 0.95 0.97 0.98 0.99 0.99 0.99 0.97 0.99 0.99 s8 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 s9 0.92 0.94 0.96 0.99 0.99 0.99 0.9 0.75 0.99 s10 0.97 0.98 0.98 0.99 0.99 0.99 0.99 0.99 0.99 Rata-rata 0.97 0.98 0.98 0.99 0.99 0.99 0.98 0.97 0.99
23 Lampiran 4 Citra daun sambiloto usia 3.5 bulan
24
25
Lampiran 6 Data citra daun sambiloto 1.5 bulan untuk klasifikasi PNN
w1 w2 w3 w4 w5 w6 w7 w8 w9 w10 w11 w12 w13 w14 w15 w16 w17 w18 w19 w20 w21 w22 w23 w24 w25 w26 w27 w28 w29 w30 w31 w32 w33 w34 w35 w36 w37 w38 w39 w40 w41 w42 w43 w44 w45 w46 w47 w48 w49 w50 w51 w52 w53 w54 w55 w56 w57 w58 w59 w60 w61 w62 w63 w64 w65 w66 w67 w68 w69 w70 w71 w72 w73 w74 w75 w76 w77 w78 w79 w80 w81 w82 w83 w84 w85 w86 w87 w88 w89 w90 w91 w92 w93 w94 w95 w96 w97 w98 w99 w100
26
Lampiran 7 Data citra daun sambiloto 3.5 bulan untuk klasifikasi PNN
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25 x26 x27 x28 x29 x30 x31 x32 x33 x34 x35 x36 x37 x38 x39 x40 x41 x42 x43 x44 x45 x46 x47 x48 x49 x50 x51 x52 x53 x54 x55 x56 x57 x58 x59 x60 x61 x62 x63 x64 x65 x66 x67 x68 x69 x70 x71 x72 x73 x74 x75 x76 x77 x78 x79 x80 x76 x77 x78 x84 x85 x86 x81 x82 x83 x90 x91 x92 87 x89 x90 x96 x97 x98 x99 x100
27
RIWAYAT HIDUP
Penulis dilahirkan di Pekanbaru pada tanggal 7 April 1994 dari ayah Haris Munandar dan ibu El Aftimar. Penulis adalah putra pertama dari dua bersaudara. Pada tahun 2010. penulis lulus dari SMA Negeri 26 Jakarta Selatan dan pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan. penulis pernah aktif sebagai staf Divisi Edukasi Himpunan Mahasiswa Ilmu Komputer (Himalkom ) dan menjadi panitia IT Today 2011-2012 serta Pesta Sains 2012. Tahun 2013 penulis melaksanakan Praktik Lapangan sebagai mobile developer di Jatis Mobile, Jakarta.
